Anda di halaman 1dari 60

PENELITIAN KECIL

PL 2202 METODE ANALISIS PERENCANAAN II

Dosen :
Ir.Dr. Dewi Sawitri Tjokropandojo, MT.

Oleh:
Novi Puspitasari 15412099

PROGRAM STUDI PERENCANAAN WILAYAH DAN KOTA


SEKOLAH ARSITEKTUR, PERENCANAAN DAN PENGEMBANGAN KEBIJAKAN
INSTITUT TEKNOLOGI BANDUNG
2014
DAFTAR ISI

DAFTAR ISI ............................................................................ i


DAFTAR TABEL ....................................................................... iii
DAFTAR GAMBAR .................................................................... iv

BAB I PENDAHULUAN
1.1 Latar Belakang ................................................................. 1
1.2 Rumusan Masalah .............................................................. 3
1.3 Tujuan dan Sasaran ........................................................... 3
1.4 Ruang Lingkup Penelitian .................................................... 3
1.4.1 Ruang Lingkup Materi ......................................................... 4
1.4.2 Ruang Lingkup Wilayah ....................................................... 4
1.4.3 Ruang Lingkup Waktu ......................................................... 5
1.5 Metodologi Penelitian ........................................................ 5
1.6 Sistematika Penulisan ........................................................ 5

BAB II TINJAUAN LITERATUR


2.1 Teori Dasar Kesejahteraan Masyarakat ..................................... 6
2.2 Teori Analisis Faktor .......................................................... 8
2.3 Penggunaan Analisis Faktor dalam Aplikasi SPSS.......................... 9
2.4 Teori Analisis Cluster dan Skalogram ....................................... 14
2.5 Penggunaan Analisis Cluster dan Skalogram dalam Aplikasi SPSS ...... 14

BAB III PEMBAHASAN


3.1 Input Data ...................................................................... 17
3.2 Analisis Output Data .......................................................... 21
3.2.1 Hasil Analisis 1 ................................................................. 21
3.2.2 Hasil Analisis 2 ................................................................. 22
3.2.3 Hasil Analisis 3 ................................................................. 23
3.2.4 Hasil Analisis 4 ................................................................. 24
3.2.5 Hasil Analisis 5 ................................................................. 25

i
3.2.6 Hasil Analisis 6 ................................................................. 26
3.2.7 Hasil Analisis Cluster .......................................................... 32
3.2.8 Hasil Analisis Skalogram ...................................................... 37
3.3 Interpretasi Terhadap Bidang Perencanaan Wilayah dan Kota ......... 43

BAB IV KESIMPULAN DAN SARAN


4.1 Kesimpulan ..................................................................... 45
4.2 Saran ............................................................................ 46

DAFTAR PUSTAKA ................................................................... 47


LAMPIRAN ............................................................................. 48

ii
DAFTAR TABEL

Tabel 3.1 Input Data .............................................................. 49


Tabel 3.2 KMO and Bartlett’s Test Analisis 1 .................................. 21
Tabel 3.3 Anti Image Analisis 1 .................................................. 50
Tabel 3.4 KMO and Bartlett’s Test Analisis 2 .................................. 22
Tabel 3.5 Anti Image Analisis 2 .................................................. 51
Tabel 3.6 KMO and Bartlett’s Test Analisis 3 .................................. 23
Tabel 3.7 Anti Image Analisis 3 .................................................. 52
Tabel 3.8 KMO and Bartlett’s Test Analisis 4 .................................. 24
Tabel 3.9 Anti Image Analisis 4 .................................................. 53
Tabel 3.10 KMO and Bartlett’s Test Analisis 5.................................. 25
Tabel 3.11 Anti Image Analisis 5 ................................................. 54
Tabel 3.12 Communalities ........................................................ 26
Tabel 3.13 Total Variance Explained ............................................ 27
Tabel 3.14 Component Matrix .................................................... 29
Tabel 3.15 Rotated Component Matrix.......................................... 30
Tabel 3.16 Component Transformation Matrix ................................. 31
Tabel 3.17 Tabel Pengelompokan Variabel ..................................... 31
Tabel 3.18 Case Processing Summary............................................ 33
Tabel 3.19 Proximities Matrix .................................................... 55
Tabel 3.20 Agglomeration Schedule ............................................. 34
Tabel 3.21 Hasil Analisis Cluster 1 ............................................... 36
Tabel 3.22 Hasil Analisis Faktor .................................................. 38
Tabel 3.23 Hasil Analisis Cluster 2 ............................................... 39
Tabel 3.24 Hasil Analisis Cluster 3 ............................................... 40
Tabel 3.25 Hasil Analisis Cluster 4 ............................................... 40
Tabel 3.26 Hasil Analisis Skalogram 1 ........................................... 41
Tabel 3.27 Hasil Analisis Skalogram 2 ........................................... 41

iii
DAFTAR GAMBAR

Gambar 1.1 Peta Wilayah Administrasi Provinsi Jawa Barat................. 4


Gambar 3.1 Scree Plot ............................................................ 28
Gambar 3.2 Vertical Icicle........................................................ 35
Gambar 3.3 Dendogram ........................................................... 37

iv
BAB 1
PENDAHULUAN

Pada bab ini akan dijelaskan mengenai beberapa hal yang melatarbelakangi
pembuatan laporan. Selain itu dibahas mengenai rumusan masalah, tujuan dan
sasaran yang ingin dicapai. Ruang lingkup dari laporan penelitian, metodologi
yang digunakan dalam laporan penelitian serta sistematika penulisan.

1.1 Latar Belakang


Jawa Barat merupakan salah satu provinsi di Indonesia yang berada di
Pulau Jawa. Berdasarkan perhitungan sensus penduduk yang dilakukan
oleh pemerintah setiap 10 tahun sekali, Jawa Barat selalu menduduki
peringkat pertama sebagai provinsi dengan jumlah penduduk terbesar di
Indonesia. Untuk dapat menjalankan pemerintahan dengan jumlah
penduduk sangat besar tersebut tentu dibutuhkan perhatian lebih dari
pemerintah kepada seluruh penduduk yang berada dalam lingkup
administrasinya. Dalam pelaksanaan tersebut, pemerintah berkewajiban
untuk menjamin kesejahteraan seluruh penduduknya. Pembangunan
kesejahteraan masyarakat di Indonesia sendiri merupakan perwujudan
dari upaya mencapai tujuan bangsa yang diamanatkan dalam Undang-
Undang Dasar Negara Republik Indonesia Tahun 1945. Sila kelima
Pancasila menyatakan bahwa keadilan sosial bagi seluruh rakyat
Indonesia, dan Pembukaan Undang-Undang Dasar Negara Republik
Indonesia Tahun 1945 mengamanatkan negara untuk melindungi segenap
bangsa Indonesia dan seluruh tumpah darah Indonesia, memajukan
kesejahteraan umum, mencerdaskan kehidupan bangsa, dan ikut
melaksanakan ketertiban dunia berdasarkan kemerdekaan, perdamaian
abadi, dan keadilan sosial.
Kesejahteraan masyarakat adalah tujuan mengapa setiap negara
dibentuk. Dalam istilah umum, sejahtera menunjuk ke keadaan yang baik,
kondisi manusia di mana orang-orangnya dalam keadaan makmur, dalam
keadaan sehat dan damai. Jika dilihat dari segi sosial, menurut Undang-

1
undang No 11 Tahun 2009, Kesejahteraan Sosial adalah kondisi
terpenuhinya kebutuhan material, spiritual, dan sosial warga negara agar
dapat hidup layak dan mampu mengembangkan diri, sehingga dapat
melaksanakan fungsi sosialnya. Sementara jika dilihat dari segi ekonomi,
sejahtera lebih dihubungkan dengan keuntungan benda.
Untuk mencapai kesejahteraan sosial masyarakat, dibutuhkan konsep
penyejahteraan yang terdiri dari berbagai bidang seperti ekonomi, sosial,
budaya, hukum, dan lain sebagainya. Untuk pencapaian tersebut
dibutuhkan konsep yang ideal dan diperlukan fokus pada segala bidang
sehingga tidak terdapat ketimpangan pada salah satu bidang. Untuk
mengukur capaian kesejahteraan masyarakat diperlukan adanya suatu
indikator kesejahteraan masyarakat. Selama ini indikator kesejahteraan
masyarakat telah diukur oleh Badan Pusat Statistik dimana hasil dari
pengukuran tersebut berupa tingkat perkembangan kesejahteraan
masyarakat antar waktu dan dengan perbandingan antar provinsi.
Indikator tersebut merupakan gabungan dari beberapa sektor seperti
kependudukan, kesehatan, pendidikan, ketenagakerjaan, perumahan,
pengeluaran dan konsumsi penduduk. Sektor – sektor tersebut juga
terbagi lagi menjadi beberapa fokus yang menunjang indikator
kesejahteraan masyarakat secara umum.
Oleh karena itu disini penulis memilih Provinsi Jawa Barat yang
merupakan provinsi dengan jumlah penduduk terbanyak untuk
mengetahui bagaimana kesejahteraan penduduk pada provinsi tersebut.
Mulai dengan variabel apa saja yang mempengaruhi kesejahteraan
penduduk tersebut dimana kemudian akan dikelompokkan ke dalam
faktor agar dapat lebih mudah melihat tingkat kesejahteraan penduduk.
Kemudian dilihat pula kota/kabupaten apa saja di Jawa Barat yang
memiliki tingkat kesejahteraan yang sama atau dalam satu cluster serta
bagaimana peringkat kesejahteraan penduduk pada tiap kota/kabupaten
tersebut.

2
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah dipaparkan, berikut adalah
masalah-masalah yang akan Penulis bahas dalam laporan ini:
a. Variabel apa saja yang dapat digunakan untuk mengidentifikasi tingkat
kesejahteraan masyarakat Provisni Jawa Barat?
b. Variabel-variabel tersebut dapat mengelompok menjadi berapa faktor
untuk dapat mempermudah proses identifikasi?
c. Faktor apa saja yang terbentuk?
d. Kota/kabupaten apa saja di Provinsi Jawa Barat yang berada dalam
satu cluster dilihat dari faktor yang telah terbentuk?
e. Bagaimana hieraki (ranking/peringkat) tingkat kesejahteraan
masyarakat antar kota/kabupaten di Provinsi Jawa Barat?

1.3 Tujuan dan Sasaran


Tujuan dari diadakannya survei ini adalah untuk mengetahui variabel -
variabel yang digunakan untuk mengidentifikasi tingkat kesejahteraan
masyarakat di Provinsi Jawa Barat dan pengolompokkannya ke dalam
faktor-faktor. Sasaran dari diadakannya penelitian ini:
a. Mengetahui variabel-variabel yang dapat digunakan untuk
mengidentifikasi tingkat kesejahteraan masyarakat di Provinsi Jawa
Barat
b. Mengetahui jumlah faktor yang terbentuk dari variabel-variabel yang
digunakan tersebut.
c. Mengetahui faktor-faktor yang terbentuk
d. Mengetahui kota/kabupaten di Provinsi Jawa Barat yang berada dalam
satu cluster dilihat dari faktor-faktor yang telah terbentuk sebelumnya
e. Mengidentifikasi hierarki (ranking/peringkat) tingkat kesejahteraan
masyarakat antar kota/kabupaten di Provinsi Jawa Barat

1.4 Ruang Lingkup Penelitian


Ruang lingkup dari survei ini terdiri atas ruang lingkup materi, ruang
lingkup wilayah, dan ruang lingkup waktu.

3
1.4.1 Ruang Lingkup Materi
Variabel yang digunakan berupa:
• Nama Kota/ Kabupaten
• Jumlah Penduduk
• Kepadatan Penduduk
• Laju Pertumbuhan Penduduk
• Angka Harapan Hidup
• Angka Melek Huruf
• Rata-Rata Lama Sekolah
• Pengeluaran per Kapita
• IPM
• Indeks Kedalaman Kemiskinan
• Indeks Keparahan Kemiskinan
• Persentase Penduduk Miskin
• Gizi Buruk Balita
• Jumlah Pengangguran
1.4.2 Ruang Lingkup Wilayah
Wilayah pengambilan data dibatasi pada Provinsi Jawa Barat,
Indonesia.
Gambar 1.1
Peta Wilayah Administrasi Provinsi Jawa Barat

4
Sumber: Jawa Barat Dalam Angka 2012

1.4.3 Ruang Lingkup Waktu


Waktu pengambilan data dilakukan pada tanggal 1-15 Mei 2014.

1.5 Metodologi Penelitian


Jenis data yang Penulis gunakan yaitu data sekunder yang berasal dari
website BPS. Untuk melakukan suatu analisis yang mendalam, kami
menggunakan program SPSS 18.

1.6 Sistematika Penulisan


Sistematika penulisan laporan ini adalah sebagai berikut:
BAB I Pendahuluan
Pada bab ini dipaparkan tentang hal yang melatarbelakangi laporan
ini, rumusan masalahnya, tujuan dan sasaran yang ingin dicapai, ruang
lingkup laporan penelitian, metodologi laporan penelitian, dan
sistematika penulisan.
BAB II Teori Dasar
Pada bab ini dijelaskan tentang teori kesejahteraan masyarakat,
teori analisis faktor, cara penggunaaan analisis faktor dengan SPSS,
teori analisis cluster dan skalogram serta cara penggunaaan analisis
cluster dan skalogram dengan SPSS.
BAB III Input dan Analisis Data
Pada bab ini dipaparkan lebih detail mengenai input data, analisis
output data, dan bentuk interpretasinya dalam bidang perencanaan
wilayah dan kota.
BAB IV Kesimpulan dan Saran
Pada bab penutup Penulis menyimpulkan hasil analisis dan
memberikan rekomendasi penyelesaian masalahnya.

5
BAB 2
DASAR TEORI

Pada bab ini akan dijelaskan mengenai beberapa teori dasar yang berkaitan
dengan penelitian seperti Teori Dasar Mengenai Kesejahteraan Masyarakat,
Teori Analisis Faktor, Penggunaan Analisis Faktor dengan Aplikasi SPSS, Teori
Analisis Cluster dan Skalogram serta Penggunaan Analisis Cluster dan Skalogram
dengan Aplikasi SPSS .

2.1 Teori Dasar Kesejahteraan Masyarakat


Kesejahteraan masyarakat merupakan suatu kalimat yang telah
tidak asing lagi di telinga masyarakat di era saat ini karena negara
Indonesia sendiri menjamin kesejahteraan seluruh rakyatnya. Namun
untuk dapat mengetahui makna dari kesejahteraan masyarakat sendiri,
berbagai ahli telah berusaha memaknai kata kesejahteraan masyarakat
tersebut. Sejahtera menurut W.J.S Poerwadarimta adalah ‘aman,
sentosa, dan makmur’. Sehingga arti kesejahteraan itu meliputi kemanan,
keselamatan dan kemakmuran. Dalam arti sempit, kata sosial menyangkut
sektor kesejahteraan sosial sebagai suatu bidang atau bagian dari
pembangunan sosial atau kesejahteraan rakyat yang bertujuan untuk
meningkatkan kualitas kehidupan manusia, terutama yang dikatagorikan
sebagai kelompok yang tidak beruntung dan kelompok rentan. Yaitu hal
yang menyangkut program-program atau pelayanan-pelayanan sosial
untuk mengatasi masalah-masalah sosial seperti, kemiskinan,
ketelantaran, ketidakberfungsian fisik dan psikis, tuna sosial, tuna susila
dan kenakalan remaja.
Menurut Segel dan Bruzy (1998:8), “Kesejahteraan sosial adalah
kondisi sejahtera dari suatu masyarakat. Kesejahteraan sosial meliputi
kesehatan, keadaan ekonomi, kebahagiaan, dan kualitas hidup rakyat”.
Sedangkan Wilensky dan Lebeaux (1965:138) merumuskan kesejahteraan
sosial sebagai sistem yang terorganisasi dari pelayanan-pelayanan dan

6
lembaga-lembaga sosial, yang dirancang untuk membantu individu-
individu dan kelompok-kelompok agar mencapai tingkat hidup dan
kesehatan yang memuaskan. Maksudnya agar tercipta hubungan-hubungan
personal dan sosial yang memberi kesempatan kepada individu-individu
pengembangan kemampuan-kemampuan mereka seluas-luasnya dan
meningkatkan kesejahteraan mereka sesuai dengan kebutuhan-kebutuhan
masyarakat. Sedangkan menurut Midgley (1995:14) Kondisi kesejahteraan
sosial diciptakan atas kompromi tiga elemen. Pertama, sejauh mana
masalah-masalah sosial ini diatur, kedua sejauh mana kebutuhan-
kebutuhan dipenuhi, ketiga sejauh mana kesempatan untuk meningkatkan
taraf hidup dapat disediakan.
Kesejahteraan sosial adalah keseluruhan usaha sosial yang
terorganisir dan mempunyai tujuan utama untuk meningkatkan taraf
hidup masyarakat berdasarkan konteks sosialnya. Di dalamnya tercakup
pula unsur kebijakan dan pelayanan dalam arti luas yang terkait dengan
berbagai kehidupan dalam masyarakat, seperti pendapatan, jaminan
sosial, kesehatan, perumahan, pendidikan, rekreasi, budaya, dan
sebagainya. Salah satu landasan hukum yang dijadikan acuan adalah
undang-undang nomor 6 tahun 1974 tentang ketentuan-ketentuan pokok
kesejahteraan sosial. Dalam penjelasan umum ditetapkan bahwa
“lapangan kesejahteraan sosial adalah sangat luas dan kompleks,
mencakup antara lain, aspek-aspek pendidikan, kesehatan, agama,
tenaga kerja, kesejahteraan sosial (dalam arti sempit), dll ”. Hal ini
sesuai dengan pendapat Kamerman dan Kahn (1979) yang menjelaskan 6
komponen atau subsistem dan kesejahteraan sosial, yaitu : (1)
pendidikan, (2)kesehatan, (3)pemeliharaan penghasilan, (4)pelayanan
kerja, (5)perumahan, (6)pelayanan sosial personal.
Kesejahteraan atau yang biasa disebut kesejahteraan sosial
merupakan serangkaian aktifitas yang terorganisir yang ditunjukan untuk
meningkatkan kualitas hidup, relasi sosial, serta peningkatan kehidupan
masyarakat yang selaras dengan standard norma-norma masyarakat
sebagai tujuan merupakan cita-cita, pedoman dan aspirasi agar
terpenuhinya kebutuhan materi, sosial dan spiritual. Terkait dengan hal

7
ini spicker yang dikutip isbandi menggambarkan kaitan dengan kebijakan
sosial sekurang-kurangnya mencakup lima bidang utama yang disebut
dengan Big Five yaitu: bidang kesehatan, bidang pendidikan, bidang
perumahan, bidang jaminan sosial, bidang pekerjaan sosial.
Menurut Undang-undang no 13 tahun 1998 tentang-tentang
ketentuan pokok kesejahteraan masyarakat memuat definisi tentang
kesejahteraan masyarakat yaitu kesejahteraan masyarakat adalah suatu
tata kehidupan dan penghidupan masyarakat baik materil maupun
spiritual yang diliputi oleh rasa takut, keselamatan kesusilaan dan
ketentraman lahir dan batin yang memungkinkan bagi setiap masyarakat
untuk mengadakan usaha penemuan kebutuhan-kebutuhan jasmani dan
sosial yang sebaik-baiknya bagi diri, keluarga serta masyarakat dengan
menjungjung tinggi hak asasi serta kewajiban manusia sesuai dengan
pancasila.
Untuk mengukur tingkat kesejahteraan masyarakat, diperlukan
indikator kesejahteraan rakyat. Indikator Kesejahteraan Rakyat
merupakan publikasi tahunan BPS yang menyajikan tingkat perkembangan
kesejahteraan rakyat Indonesia antar waktu dan perbandingannya antar
provinsi serta daerah tempat tinggal. Data yang digunakan bersumber dari
BPS dan instansi lain di luar BPS. Sebagian besar data indikator
kesejahteraan rakyat merujuk pada data Susenas , khusus untuk data
ketenagakerjaan bersumber dari Sakernas.
Kesejahteraan hidup seseorang dalam realitanya, memiliki banyak
indikator keberhasilan yang dapat diukur. Dalam hal ini Thomas dkk.
(2005:15) menyampaikan bahwa kesejahteraan masyarakat dapat di
representasikan dari tingkat hidup masyarakat ditandai oleh
terentaskannya kemiskinan, tingkat kesehatan yang lebih baik, perolehan
tingkat pendidikan yang lebih tinggi, dan peningkatan produktivitas
masyarakat.

2.2 Teori Analisis Faktor


Analisis Faktor memiliki kegunaan untuk melakukan pengurangan
data ataud engan kata lain melakukan peringkasan sejumlah variabel

8
menjadi lebih kecil jumlahnya. Pengurangan dilakukan dengan melihat
interdependensi beberapa variabel yang dapat dijadikan satu yang disebut
faktor sehingga ditemukan variabel-variabel atau faktor-faktor yang
dominan atau penting untuk dianalisis lebih lanjut, misalnya dengan
dikorelasikan dengan variabel tergantung.

2.3 Penggunaan Analisis Faktor dengan Aplikasi SPSS


2.3.1. Penyelesaian
Tahap 1. Merumuskan Masalah
Masalah yang akan diteliti adalah:
a. Variabel apa sajakah yang digunakan untuk mengidentifikasi tingkat
kesejahteraan masyarakat Provinsi Jawa Barat?
b. Berapa banyak faktor yang dapat terbentuk?
c. Variabel-variabel apa saja yang terdapat dalam faktor tersebut?
d. Bagaimana bentuk penyederhanaan/pengelompokkan dari faktor-faktor
yang ada?
Tahap 2. Membuat desain variabel
Pilihlah perintah submenu dibagian bawah kiri Variabel View. Masukkan
data yang ada kedalam variabel view.
Tahap3 :Memasukkan data di SPSS
Pilihlah perintah Data View, masukkan semua data.
Tahap 4 : Menganalisis Data di SPSS
• Klik Analyze. Pilih submenu Data Reduction, kemudian pilih Factor.
• Pilih Descriptive.
• Padapilihan Correlation Matrix : aktifkan pilihan KMO and Bartlett’s
test of sphericity dan Anti-Image,kemudian klik Continue. Dan Ok.

2.3.2. Hasil Analisis I


Hipotesis untuk pengujian KMO and Bartlett’s adalah :
Ho = data belum memadai untuk dianalisis lebih lanjut
Hi = data sudah memadai untuk dianalisis lebih lanjut
Hi diterima jika angka KMO MSA lebih dari 0,5 dan signifikansi
kurang dari 0,05. Angka KMO and Bartlett’s test adalah 0,521 dengan

9
signifikasi 0,000. Angka tersebut sudah di atas 0,5 dan signifikansi jauh di
bawah 0,05 (0,000 << 0,05), maka Hi diterima. Artinya, variabel dan
populasi yang ada sudah bisa dianalisis lebih lanjut. Akan tetapi, analisis
per variabel tetap perlu dilakukan dengan metode Anti-Image. Ketentuan
tersebut diatas didasarkan pada kriteria sebagai berikut :
• Jika probabilitas (sig) <0,05 maka variabel dapat dianalisis lebih lanjut
• Jika probabilitas (sig) >0,05 maka variabel tidak dapat dianalisis lebih
lanjut
Pada tabel 3 terdapat hasil olahan data dari metode Anti Image
Matrices.Uji ini dilakukan dengan memperhatikan MSA. Angka MSA
(Measure of Sampling Adequacy) berkisar antara 0 sampai 1, dengan
kriteria :
• MSA = 1, variabel dapat diprediksi tanpa kesalahan oleh variabel yang
lain.
• MSA > 0,5, variabel masih bisa diprediksi dan bisa dianalisis lebih
lanjut.
• MSA < 0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih
lanjut, sehingga variabel tersebut harus dibuang atau dikeluarkan dari
variabel lainnya.
Setelah didapat Tabel Anti-Image Matrices, Perhatikanpadabagian
Anti Image Corellation, khususnya pada angka korelasi yang bertanda a.
Terdapat variabel yang tidak bisa diprediksi dan tidak bisa dianalisis lebih
lanjut atau dikeluarkan dari variabel lainnya karena nilai MSA variabel-
variabel tersebut kurang dari 0,5. Variabel yang dikeluarkan dimulai dari
variabel terkecil.
Untuk keperluan analisis lebih lanjut, kita perlu melakukan ulang
proses analisis ulang dengan cara yang sama, sebagai berikut:
• Klik Analyze. Pilih submenu Data Reduction, kemudian pilih Factor.
• Pindahkan variabel dengan jumlah MSA terkecil di kolom kiri ke kolom
variabel sebelah kanan.
• Pilih Descriptive
• Pada pilihan Correlation Matrix :aktifkan pilihan KMO and Bartlett’s
test of sphericity dan Anti-Image, kemudian klik Continue. Dan Ok.

10
2.3.3 Hasil Analisis 2
Hipotesis untuk pengujian KMO and Bartlett’s adalah :
Ho = data belum memadai untuk dianalisis lebih lanjut
Hi = data sudah memadai untuk dianalisis lebih lanjut
Hi diterima jika angka KMO MSA lebih dari 0,5 dan signifikansi kurang
dari 0,05. Angka KMO and Bartlett’s test adalah 0,525 dengan signifikasi
0,000. Angka tersebut sudah di atas 0,5 dan signifikansi jauh di bawah
0,05 (0,000 << 0,05), maka Hi diterima. Artinya, variabel dan populasi
yang ada sudah bisa dianalisis lebih lanjut. Kemudian, dilakukan analisis
Anti Image Matrices.
Setelah didapatkan tabel Anti Image Matrice, Perhatikan pada
bagian Anti Image Corellation, khususnya pada angka korelasi yang
bertanda a. Terdapat variabel yang tidak bisa diprediksi dan tidak bisa
dianalisis lebih lanjut atau dikeluarkan dari variabel lainnya karena nilai
MSA variabel-variabel tersebut kurang dari 0,5. Variabel yang dikeluarkan
dimulai dari variabel terkecil.
Untuk keperluan analisis lebih lanjut, kita perlu melakukan ulang
proses analisis ulang dengan cara yang sama, sebagai berikut:
• Klik Analyze. Pilih submenu Data Reduction, kemudian pilih Factor.
• Pindahkan variabel yang saat itu menjadi variabel dengan nilai MSA
terkecil di kolom kiri ke kolom variabel sebelah kanan.
• Pilih Descriptive
• Pada pilihan Correlation Matrix :aktifkan pilihan KMO and Bartlett’s
test of sphericity dan Anti-Image, kemudian klik Continue. Dan Ok.

Proses tersebut dilakukan berulang sehingga Angka MSA untuk setiap


variabel tersebut telah lebih dari 0,5. Dengan demikian, variabel-variabel
tersebut dapat dianalisis lebih lanjut. Namun, perlu diperhatikan jika ada
satu variabel yang hampir tepat berada di atas 0,5. Meskipun variabel
tersebut masih bisa diprediksi dan bisa dianalisis lebih lanjut, variabel ini
diragukan kevalidannya untuk bisa dianalisis.

11
Jika nilai KMO sudah >0,5 maka kita bisa melanjutkan kembali
percobaan selanjutnya. Namun, jika tidak ulangi langkah 5, 6, 7 dan 8
hingga nilai KMO > 0,5.

2.3.4. Mencari Faktor Loading


Langkah berikutnya adalah factoring yaitu untuk mencari faktor
loading. Cara yang dilakukan sebagai berikut:
• Klik Analyze. Pilih submenu Data Reduction, kemudian pilih Factor.
• Pilih extraction. Pilih principal component, corelation matrix,
unrotated factor solution dan scree plot. Klik continue.
• Pilih rotation. Klik varimax, rotated solution, loading plot.Klik
continue.
• Pilih options. Klik exclude cases listwise dan sorted by size.
• KlikOK.

2.3.5. Hasil Analisis 3


Berdasarkan hasil pengolahan data mencari faktor loading dengan
SPSS diperoleh beberapa tabel yaitu tabel communalities, total variance
explained, component matrix, rotated component matrix, dan
component transformation matrix. Selain itu juga diperoleh gambar scree
plot. Berikut penjelasan untuk tabel dan gambar tersebut,
Tabel communalities, pada dasarnya communalities adalah jumlah
varian (bisa dalam persentase) suatu variabel mula-mula yang bisa
dijelaskan oleh faktor yang ada. Nilai persentase yang tinggi menunjukkan
bahwa variabel sangat erat hubungannya dengan faktor yang terbentuk.
Semakin besar communalities sebuah variabel, berarti semakin erat
hubungannya dengan faktor yang terbentuk.
Kemudian dari tabel Total Variance Explained, akan didapatkan
jumlah variabel yang dapat dimasukkan ke dalam faktor. Apabila tabel
Total Variance Explained menjelaskan dasar jumlah faktor yang didapat
dengan perhitungan angka, Scree Plot menampakkan hal tersebut dengan
grafik. Jika banyaknya faktor yang terletak pada sumbu x (Component
Number) berada di atas angka 1 pada sumbu y (eigenvalue), hal itu

12
menunjukkan bahwa faktor sejumlah tersebut adalah paling baik untuk
meringkas dan mengelompokkan ketiga belas variabel tersebut.
Selanjutnya, tabel Component Matrix menunjukkan distribusi
variabel-variabel pada faktor-faktor yang terbentuk dan angka-angka yang
ada dalam tabel tersebut merupakan faktor loadings, yang menunjukkan
besar korelasi antara suatu variabel dengan faktor-faktor yang terbentuk.
Proses penentuan variabel mana akan masuk ke faktor yang mana
dilakukan dengan melakukan perbandingan besar korelasi pada setiap
baris. Korelasi antara suatu variabel dengan salah satu faktor dapat
dilihat dari faktor loading yang ada pada tabel. Jika nilainya lebih dari
0,5, maka korelasi antara suatu variabel dengan salah satu faktor
dikatakan kuat. Selain itu, jika angka faktor loading suatu variabel dengan
satu faktor lebih besar daripada nilai korelasinya dengan faktor yang lain,
maka variabel tersebut masuk dalam kategori faktor dengan faktor
loading terbesar. Perlu diperhatikan bahwa tanda “-“ hanya menunjukkan
arah hubungan tersebut. Namun, tabel Component Matrix ini belum
cukup mengelompokkan variabel-variabel dengan jelas karena ada
korelasi yang menunjukkan perbedaan yang tidak signifikan. Jadi, untuk
menghindari adanya kesalahan pengelompokkan variabel pada suatu
faktor, perlu adanya proses rotasi. Tabel Rotated Component Matrix
merupakan Component Matrix yang telah dirotasi sehingga dapat
memperlihatkan distribusi variabel yang lebih jelas dan nyata.Terlihat
faktor loadings yang awalnya kecil semakin diperkecil, dan faktor loadings
yang besar semakin besar. Setelah itu tabel yang terakhir adalah tabel
Component Transformation Matrix, tabel tersebut dapat membuktikan
apakah suatu faktor (component) yang terbentuk sudah tepat atau belum.
Tabel ini menunjukkan hubungan antara faktor yang satu dengan yang
lainnya.

2.3.6. Mencari Factor Score


Langkah selanjutnya adalah mencari factor scores, dengan cara
sebagai berikut:
• Klik Analyze. Pilih submenu Data Reduction, kemudian pilih Factor

13
• Klik Scores. Kemudian pilih Save As Variable dan Regression.
• Klik OK
• Kembali ke Data View, lihat tabel baru yang terbentuk di daerah
paling kanan. Itulah Factor Scores yg diminta.

2.4 Teori Analisis Cluster dan Skalogram


Proses analisis cluster mencoba menemukan hubungan
(interrelationship) antar sejumlah objek yang saling independen satu
dengan yang lainnya, sehingga dapat dibuat kedalam satu atau beberapa
kumpulan objek yang lebih sedikit dari jumlah objek awal. Tujuannya
adalah untuk mengelompokkan objek-objek berdasarkan kesamaan
karakteristik di antara objek tersebut.
Teknik skalogram berusaha mengidentifikasikan suatu skala tunggal,
sepanjang ukuran efektif sikap dalam suatu keadaan yang ada dan dapat
diperoleh. Tujuan teknik skalogram adalah untuk menentukan peringkat
suatu objek tertentu. Prinsipnya adalah konsistensi. Untuk dapat melihat
hierarki pusat pelayanan yang ada di Kabupaten-X maka data diubah
kedalam bentuk skalogram berdasarkan hasil analisis faktor dan analisis
cluster. Data awal untuk skalogram adalah data cluster berdasarkan
faktor.

2.5 Penggunaan Analisis Cluster dan Skalogram dengan Aplikasi SPSS


2.5.1. Analisis Cluster
Langkah pengolahan data dengan SPSS untuk melakukan analisis
cluster adalah sebagai berikut:
1. Dari menu Analyze, pilih sub menu Classify lalu pilih Hierarchical
Cluster.
2. Masukkan semua REGR factor scores ke kotak variables dan masukkan
nama kota/kabupaten ke kotak label cases.
3. Pilih Statistics, kemudian aktifkan Agglomeration Schedule dan
Proximity Matrix, klik Continue.
4. Pilih Plots, aktifkan Dendogram, klik Continue.

14
5. Pilih Method, kemudianpada Cluster Method pilih Furthest Neighbor.
Pada Transfer Values pilih Z Scores by Variable. Klik Continue, Klik
OK, maka akan keluar output SPSS sebagai hasil analisis cluster.

Tabel yang keluar hanya menunjukkan berapa banyak data yang


hilang. Selanjutnya tabel yang muncul adalah tabel Proximities Matrix.
Angka-angka yang terdapat dalam tabel ini menunjukkan kesamaan tiap
objek yang diperlihatkan melalui jarak antar objek. Jarak antar objek ini
diukur berdasarkan ukuran jarak Squared Euclidean. Semakin kecil angka
yang ditunjukkan, maka kedua objek tersebut semakin mirip.
Selanjutnya tentukan banyaknya cluster yang diinginkkan. Tabel
merupakan salah satu cara untuk menentukan cluster menggunakan
hierarki yang dilihat dari kedekatan antar objek. Jarak antar objek telah
dikelompokkan dan diurutkan dari yang terkecil sampai yang terbesar.
Tabel selanjutnya adalah Vertical Icicle. Tabel ini dapat digunakan
untuk membuat cluster dari objek yang ada. Caranya tergantung pada
berapa banyak cluster yang diinginkan. Batas dari cluster diketahui bila
ada bagian yang hilang atau tidak ada tanda X-nya. Selain itu kita juga
dapat menggunakan Dendogram untuk menetukan cluster yang kita
inginkan. Selain itu kita juga dapat melihat proses pembentukan cluster
tersebut.

2.5.2. Analisis Skalogram


Langkah pengolahan data dengan SPSS untuk melakukan analisis
skalogram adalah sebagai berikut:
1. Data awal untuk skalogram adalah data cluster berdasarkan faktor. Ini
diperoleh dari data faktor yang merupakan hasil dari proses analisis
faktor dengan SPSS.
2. Kemudian buat tabel cluster darihasil output SPSS analisis cluster,
sehingga didapatkan cluster.
3. Tukarkan objek-objek dan faktor-faktor sedemikian rupa sehingga
memenuhi prinsip konsistensi.

15
4. Berikan skor untuk tiap skala dari objek dengan melihat dimana posisi
kotak objek.
5. Hitung koefisien Reproductibility (R) mengetahui derajat error
6. Urutan faktor serta cluster ini kemudian diubah sedemikian nrupa
sehingga pada saat membuat skalogram diperoleh nilai error terkecil.

16
BAB 3
INPUT DAN ANALISIS DATA

3.1 Input Data

Data yang diperoleh dari Provinsi Jawa Barat dalam angka 2012
dimasukkan ke dalam bentuk tabel input yang berisi variabel-variabel
yang akan dianalisis. Data tabel input tersebut terlampir. Variabel yang
digunakan pada laporan ini untuk kemudian dianalisis adalah variabel di
bawah ini. Berikut penjelasannya,
• Jumlah Penduduk merupakan variabel yang berisi data jumlah total
penduduk yang berada di Jawa Barat berdasarkan perhitungan pada
tahun 2011. Variabel ini dipilih karena jumlah penduduk lah yang
mendasari penelitian ini sehingga penulis ingin mengetahui apakah
jumlah penduduk merupakan variabel yang menentukan kesejahteraan
penduduk suatu wilayah.
• Kepadatan Penduduk merupakan variabel yang berisi data mengenai
kepadatan penduduk yang diperoleh dengan menghitung jumlah
penduduk dibagi luas lahan pada tiap kota atau kabupaten di Provinsi
Jawa Barat. Beberapa pengamat masyarakat percaya bahwa konsep
kapasitas muat juga berlaku pada penduduk pada suatu wilayah, yakni
bahwa penduduk yang tak terkontrol dapat menyebabkan katastrofi
Malthus yang mengatakan bahwa penduduk bertambah menurut deret
ukur dan bahan makanan bertambah menurut deret hitung. Dengan
demikian pertumbuhan penduduk lebih cepat daripada produksi
makanan yang dibutuhkan. Jika hal ini terus menerus dibiarkan maka
akan terjadi ledakan penduduk. Dengan demikian variabel ini dipilih
karena diperkirakan juga dapat mempengaruhi kesejahteraan
penduduk pada suatu wilayah.
• Laju Pertumbuhan Penduduk merupakan variabel yang berisi data nilai
besarnya kecepatan pertumbuhan penduduk. Variabel ini dipilih karena
diperkirakan juga dapat mempengaruhi kesejahteraan penduduk suatu

17
wilayah. Ketika pertumbuhan penduduk terjadi sangat cepat atau
hingga menimbulkan ledakan penduduk maka akan timbul berbagai
permasalahan yang tentunya dapat menurunkan kesejahteraan
penduduk misalnya kebutuhan dasar tiap manusia tentunya sama,
ketika jumlah penduduk meningkat tentu akan timbul persaingan
yanbg ketat untuk mendapatkan kebutuhan hidup tersebut.
• Angka Harapan Hidup merupakan variabel yang berisi data perkiraan
jumlah lama tahun hidup penduduk atau usia penduduk di suatu negara
atau wilayah yang dipengaruhi oleh tingkat kesehatan penduduk
tersebut. Variabel ini dipilih karena berdasarkan teori kesejahteraan
pada bab sebelumnya bahwa kesejahteraan dapat diketahui melalui
tingkat kesehatan penduduk sehingga angka harapan hidup ini dirasa
cukup merepresentasikan kondisi tingkat kesehatan atau kepedulian
masyarakat terhadap kesehatan. Dengan demikian penulis ingin
mengetahui apakah angka harapan hidup merupakan variabel yang
tepat untuk menentukan kesejahteraan penduduk suatu wilayah.
• Angka Melek Huruf merupakan variabel yang berisi data presentase
penduduk usia 15 tahun ke atas yang dapat membaca dan menulis
serta mengerti sebuah kalimat sederhana dalam hidupnya sehari-hari.
Variabel ini dipilih karena dirasa cukup merepresentasikan tingkat
pendidikan penduduk karena berdasarkan teori kesejahteraan pada bab
sebelumnya, kesejahteraan dapat dilihat dari perolehan tingkat
pendidikan penduduk sehingga penulis ingin mengetahui apakah angka
melek huruf merupakan variabel yang tepat untuk menentukan
kesejahteraan penduduk suatu wilayah atau tidak.
• Rata-Rata Lama Sekolah merupakan variabel yang berisi data rata-rata
jumlah tahun yang dihabiskan oleh penduduk berusia 15 tahun ke atas
untuk menempuh semua jenis pendidikan formal yang pernah dijalani.
Sehingga seharusnya jika minimalnya telah mengikuti program wajib
belajar yang telah diadakan oleh pemerintah maka rata-rata lama
sekolah minimalnya adalah 9 tahun untuk pendidikan formal.
Berdasarkan teori kesejahteraan di bab sebelumnya, kesejahteraan
dapat dilihat dari perolehan tingkat pendidikan penduduk yang lebih

18
tinggi sehingga penulis ingin mengetahui apakah rata-rata lama sekolah
merupakan variabel yang tepat untuk menentukan kesejahteraan
penduduk suatu wilayah atau tidak.
• Pengeluaran per Kapita merupakan variabel yang berisi data daya beli
atau kemampuan masyarakat dalam membelanjakan uangnya dalam
bentuk barang maupun jasa atau biaya yang dikeluarkan untuk
konsumsi semua anggota rumah tangga selama sebulan dibagi dengan
banyaknya anggota rumah tangga. Variabel ini dipilih karena dirasa
dapat merepresenatsikan kondisi ekonomi penduduk. Berdasarkan teori
kesejahteraan pada bab sebelumnya, kesejahteraan juga dapat
diketahui dari tingkat perekonomian penduduk sehingga penulis ingin
mengetahui apakah pengeluaran per kapita merupakan variabel yang
tepat untuk menentukan kesejahteraan penduduk pada suatu wilayah.
• IPM merupakan variabel yang berisi data indeks pembangunan manusia
tahun 2011 pada tiap kota atau kabupaten di Provinsi Jawa Barat. IPM
digunakan untuk mengukur pengaruh dari kebijaksanaan ekonomi
terhadap kualitas hidup. Pembangunan manusia merupakan paradigma
pembangunan yang menempatkan penduduk sebagai fokus dan sasaran
akhir dari seluruh kegiatan pembangunan dalam hal ini dapat dilihat
dari sisi kesejahteraan yang dirasakan oleh masyarakat. Berdasarkan
itulah variabel IPM ini dipilih.
• Indeks Kedalaman Kemiskinan merupakan variabel yang berisi nilai dari
ukuran rata-rata kesenjangan pengeluaran masing-masing penduduk
miskin terhadap garis kemiskinan. Semakin tinggi nilai indeks, semakin
jauh rata-rata pengeluaran penduduk dari garis kemiskinan. Variabel
ini dipilih karena sesuai dengan teori yang telah dipaparkan pada bab
sebelumnya bahwa kesejahteraan masyarakat dapat direpresentasikan
dari terentasnya kemiskinan penduduk sehingga penulis ingin
mengetahui apakah indeks kedalaman kemiskinan merupakan variabel
yang tepat untuk menentukan kesejahteraan penduduk suatu wilayah
atau tidak.
• Indeks Keparahan Kemiskinan merupakan variabel yang berisi nilai dari
penyebaran pengeluaran di antara penduduk miskin. Semakin tinggi

19
nilai indeks, semakin tinggi ketimpangan pengeluaran di antara
penduduk miskin. Variabel ini dipilih karena sesuai dengan teori yang
telah dipaparkan pada bab sebelumnya bahwa kesejahteraan
masyarakat dapat direpresentasikan dari terentasnya kemiskinan
penduduk sehingga penulis ingin mengetahui apakah indeks keparahan
kemiskinan merupakan variabel yang tepat untuk menentukan
kesejahteraan penduduk suatu wilayah atau tidak.
• Persentase Penduduk Miskin merupakan variabel berisi data jumlah
penduduk miskin yang telah dibentuk ke dalam persentase dengan
total jumlah penduduk Provinsi Jawa Barat. Variabel ini dipilih karena
sesuai dengan teori yang telah dipaparkan pada bab sebelumnya bahwa
kesejahteraan masyarakat dapat direpresentasikan dari terentasnya
kemiskinan penduduk sehingga penulis ingin mengetahui apakah
persentase penduduk miskin merupakan variabel yang tepat untuk
menentukan kesejahteraan penduduk suatu wilayah atau tidak.
• Gizi Buruk Balita merupakan variabel yang berisi data jumlah balita
yang mengalami kekurangan gizi tingkat parah. Data ini diperoleh
dengan menimbang berat badan balita disesuaikan dengan usianya,
ketika kurang dari berat balita seusianya pada umumnya maka dapat
dikategorikan gizi buruk. Cukup banyak penyebab gizi buruk tersebut
namun yang mnejadi penyebab utama adalah faktor kemiskinan
sehingga penulis memilih variabel ini sesuai dengan teori yang telah
dipaparkan pada bab sebelumnya bahwa kesejahteraan masyarakat
dapat direpresentasikan dari terentasnya kemiskinan penduduk
sehingga penulis ingin mengetahui apakah gizi buruk balita merupakan
variabel yang tepat untuk menentukan kesejahteraan penduduk suatu
wilayah atau tidak.
• Jumlah Pengangguran merupakan variabel yang berisi data jumlah
penduduk yang menganggur yaitu tidak sedang bekerja termasuk di
dalamnya seseorang yang secara aktif mencari kerja atau menunggu
untuk memulai kembali bekerja. Variabel ini dipilih karena juga
berdasarkan teori kesejahteraan pada bab sebelumnya yang
mengatakan jika kesejahteraan dapat diketahui dari tingkat

20
produktivitas penduduk sehingga jumlah penduduk yang menganggur
ini dirasa dapat merepresentasikan produktivitas penduduk suatu
wilayah. Dengan demikian penulis ingin mengetahui apakah jumlah
pengangguran merupakan variabel yang tepat untuk menentukan
kesejahteraan penduduk suatu wilayah atau tidak.

3.2 Analisis Output Data

3.2.1 Hasil Analisis 1

Tabel 3.2

KMO and Bartlett's Test


Kaiser-Meyer-Olkin Measure of Sampling .542
Adequacy.
Bartlett's Test of Approx. Chi-Square 506.605
Sphericity df 78
Sig. .000
Sumber : Output SPSS, 2014

Hipotesis untuk pengujian KMO and Bartlett’s adalah :

Ho = data belum memadai untuk dianalisis lebih lanjut


Hi = data sudah memadai untuk dianalisis lebih lanjut
Hi diterima jika angka KMO MSA lebih dari 0,5 dan signifikansi
kurang dari 0,05. Angka KMO and Bartlett’s test adalah 0,542 dengan
signifikasi 0,000. Angka tersebut sudah di atas 0,5 dan signifikansi jauh
di bawah 0,05 (0,000 << 0,05), maka Hi diterima. Artinya, variabel dan
populasi yang ada sudah bisa dianalisis lebih lanjut. Akan tetapi, analisis
per variabel tetap perlu dilakukan dengan metode Anti-Image.
Ketentuan tersebut diatas didasarkan pada kriteria sebagai berikut :
• Jika probabilitas (sig) <0,05 maka variable dapat dianalisis lebih
lanjut
• Jika probabilitas (sig) >0,05 maka variable tidak dapat dianalisis lebih
lanjut
Tabel 3.3 Anti Image Matrices Hasil Analisis 1 kami lampirkan pada
bagian lampiran laporan untuk selanjutnya dianalisis.

21
Dari Tabel Anti Image Matrices Hasil Analisis 1, didapatkan pada
bagian Anti Image Corellation, khususnya pada angka korelasi yang
bertanda a. Terdapat variabel yang tidak bisa diprediksi dan tidak bisa
dianalisis lebih lanjut atau dikeluarkan dari variabel lainnya karena nilai
MSA variabel-variabel tersebut kurang dari 0,5. Variable yang dikeluarkan
dimulai dari variable terkecil, yaitu adalah variabel Angka Melek Huruf.

3.2.2 Hasil Analisis 2


Tabel 3.4

KMO and Bartlett's Test


Kaiser-Meyer-Olkin Measure of Sampling .509
Adequacy.
Bartlett's Test of Approx. Chi-Square 401.530
Sphericity df 66
Sig. .000
Sumber : Output SPSS, 2014
Hipotesis untuk pengujian KMO and Bartlett’s adalah :
Ho = data belum memadai untuk dianalisis lebih lanjut
Hi = data sudah memadai untuk dianalisis lebih lanjut
Hi diterima jika angka KMO MSA lebih dari 0,5 dan signifikansi
kurang dari 0,05. Angka KMO and Bartlett’s test adalah 0,509 dengan
signifikasi 0,000. Angka tersebut sudah di atas 0,5 dan signifikansi jauh di
bawah 0,05 (0,000 << 0,05), maka Hi diterima. Artinya, variabel dan
populasi yang ada sudah bisa dianalisis lebih lanjut. Akan tetapi, analisis
per variabel tetap perlu dilakukan dengan metode Anti-Image. Kemudian,
dilakukan analisis Anti Image Matrices.

Tabel 3.5 Anti Image Matrices Hasil Analisis 2 kami lampirkan pada bagian
lampiran laporan untuk selanjutnya dianalisis.
Dari Tabel Anti Image Matrices Hasil Analisis 2, didapatkan pada
bagian Anti Image Corellation, khususnya pada angka korelasi yang
bertanda a. Terdapat variabel yang tidak bisa diprediksi dan tidak bisa
dianalisis lebih lanjut atau dikeluarkan dari variabel lainnya karena nilai
MSA variabel-variabel tersebut kurang dari 0,5. Variable yang dikeluarkan

22
dimulai dari variable terkecil, yaitu adalah variabel Jumlah
Pengangguran.

3.2.3 Hasil Analisis 3


Tabel 3.6

KMO and Bartlett's Test


Kaiser-Meyer-Olkin Measure of Sampling .596
Adequacy.
Bartlett's Test of Approx. Chi-Square 290.874
Sphericity df 55
Sig. .000
Sumber : Output SPSS, 2014

Hipotesis untuk pengujian KMO and Bartlett’s adalah :


Ho = data belum memadai untuk dianalisis lebih lanjut
Hi = data sudah memadai untuk dianalisis lebih lanjut
Hi diterima jika angka KMO MSA lebih dari 0,5 dan signifikansi
kurang dari 0,05. Angka KMO and Bartlett’s test adalah 0,596 dengan
signifikasi 0,000. Angka tersebut sudah di atas 0,5 dan signifikansi jauh di
bawah 0,05 (0,000 << 0,05), maka Hi diterima. Artinya, variabel dan
populasi yang ada sudah bisa dianalisis lebih lanjut. Akan tetapi, analisis
per variabel tetap perlu dilakukan dengan metode Anti-Image. Kemudian,
dilakukan analisis Anti Image Matrices.

Tabel 3.7 Anti Image Matrices Hasil Analisis 3 kami lampirkan pada bagian
lampiran laporan untuk selanjutnya dianalisis.
Dari Tabel Anti Image Matrices Hasil Analisis 3, didapatkan pada
bagian Anti Image Corellation, khususnya pada angka korelasi yang
bertanda a. Terdapat variabel yang tidak bisa diprediksi dan tidak bisa
dianalisis lebih lanjut atau dikeluarkan dari variabel lainnya karena nilai
MSA variabel-variabel tersebut kurang dari 0,5. Variabel yang dikeluarkan
dimulai dari variabel terkecil, yaitu adalah variabel Jumlah Penduduk.

23
3.2.4 Hasil Analisis 4
Tabel 3.8
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling .594
Adequacy.
Bartlett's Test of Approx. Chi-Square 257.957
Sphericity df 45
Sig. .000
Sumber : Output SPSS, 2014
Hipotesis untuk pengujian KMO and Bartlett’s adalah :
Ho = data belum memadai untuk dianalisis lebih lanjut
Hi = data sudah memadai untuk dianalisis lebih lanjut
Hi diterima jika angka KMO MSA lebih dari 0,5 dan signifikansi
kurang dari 0,05. Angka KMO and Bartlett’s test adalah 0,594 dengan
signifikasi 0,000. Angka tersebut sudah di atas 0,5 dan signifikansi jauh di
bawah 0,05 (0,000 << 0,05), maka Hi diterima. Artinya, variabel dan
populasi yang ada sudah bisa dianalisis lebih lanjut. Akan tetapi, analisis
per variabel tetap perlu dilakukan dengan metode Anti-Image. Kemudian,
dilakukan analisis Anti Image Matrices.

Tabel 3.9 Anti Image Matrices Hasil Analisis 4 kami lampirkan pada bagian
lampiran laporan untuk selanjutnya dianalisis.
Dari Tabel Anti Image Matrices Hasil Analisis 4, didapatkan pada
bagian Anti Image Corellation, khususnya pada angka korelasi yang
bertanda a. Terdapat variabel yang tidak bisa diprediksi dan tidak bisa
dianalisis lebih lanjut atau dikeluarkan dari variabel lainnya karena nilai
MSA variabel-variabel tersebut kurang dari 0,5. Variabel yang dikeluarkan
dimulai dari variabel terkecil, yaitu adalah variabel Gizi Buruk Balita.

24
3.2.5 Hasil Analisis 5
Tabel 3.10

KMO and Bartlett's Test


Kaiser-Meyer-Olkin Measure of Sampling .611
Adequacy.
Bartlett's Test of Approx. Chi-Square 247.748
Sphericity df 36
Sig. .000
Sumber : Output SPSS, 2014

Hipotesis untuk pengujian KMO and Bartlett’s adalah :


Ho = data belum memadai untuk dianalisis lebih lanjut
Hi = data sudah memadai untuk dianalisis lebih lanjut
Hi diterima jika angka KMO MSA lebih dari 0,5 dan signifikansi
kurang dari 0,05. Angka KMO and Bartlett’s test adalah 0,611 dengan
signifikasi 0,000. Angka tersebut sudah di atas 0,5 dan signifikansi jauh di
bawah 0,05 (0,000 << 0,05), maka Hi diterima. Artinya, variabel dan
populasi yang ada sudah bisa dianalisis lebih lanjut. Akan tetapi, analisis
per variabel tetap perlu dilakukan dengan metode Anti-Image. Kemudian,
dilakukan analisis Anti Image Matrices.

Tabel 3.11 Anti Image Matrices Hasil Analisis 5 kami lampirkan pada
bagian lampiran laporan untuk selanjutnya dianalisis.
Dari Tabel Anti Image Matrices Hasil Analisis 5 diperoleh angka MSA
untuk setiap variabel tersebut yang telah lebih dari 0,5. Dengan
demikian, variabel-variabel tersebut dapat dianalisis lebih lanjut.

25
3.2.6 Hasil Analisis 6
Tabel 3.12

Communalities
Initial Extraction
Kepadatan Penduduk 1.000 .760
Laju Pertumbuhan 1.000 .627
Penduduk
Angka Harapan Hidup 1.000 .723
Rata-Rata Lama 1.000 .936
Sekolah
Pengeluaran per 1.000 .588
Kapita
IPM 1.000 .947
Indeks Kedalaman 1.000 .833
Kemiskinan
Indeks Keparahan 1.000 .409
Kemiskinan
Persentase Penduduk 1.000 .844
Miskin
Extraction Method: Principal Component
Analysis.
Sumber : Output SPSS, 2014

Communalities pada dasarnya adalah jumlah varian (bisa dalam


persentase) suatu variabel mula-mula yang bisa dijelaskan oleh faktor
yang ada. Misalnya, angka untuk variabel IPM adalah 0,947. Artinya,
sekitar 94,7% varian variabel IPM dijelaskan oleh faktor yang terbentuk.
Nilai persentase yang tinggi menunjukkan bahwa variabel IPM sangat erat
hubungannya dengan faktor yang terbentuk. Begitu juga dengan variabel
lainnya, dengan ketentuan bahwa semakin besar communalities sebuah
variabel, berarti semakin erat hubungannya dengan faktor yang
terbentuk.
Untuk variabel yang lain, variabel Kepadatan Penduduk sebanyak
76% varian variabel Kepadatan Penduduk dijelaskan oleh faktor yang
terbentuk; variabel Laju Pertumuhan Penduduk sebanyak 62,7% varian
variabel Laju Pertumuhan Penduduk dijelaskan oleh faktor yang
terbentuk; variabel Angka Harapan Hidup sebanyak 72,3% varian variabel
Angka Harapan Hidup dijelaskan oleh faktor yang terbentuk; variabel
Rata-Rata Lama Sekolah sebanyak 93,6% varian variabel Rata-Rata Lama

26
Sekolah dijelaskan oleh faktor yang terbentuk; variabel Pengeluaran per
Kapita sebanyak 58,8% varian variabel Pengeluaran per Kapita dijelaskan
oleh faktor yang terbentuk; variabel Indeks Kedalaman Kemiskinan
sebanyak 83,3% varian variabel Indeks Kedalaman Kemiskinan dijelaskan
oleh faktor yang terbentuk; variabel Indeks Keparahan Kemiskinan
sebanyak 40,9% varian variabel Indeks Keparahan Kemiskinan dijelaskan
oleh faktor yang terbentuk; dan variabel Presentase Penduduk Miskin
sebanyak 84,4 % varian variabel Presentase Penduduk Miskin dijelaskan
oleh faktor yang terbentuk.

Tabel 3.13
Total Variance Explained
Com Extraction Sums of Squared Rotation Sums of Squared
pon Initial Eigenvalues Loadings Loadings
ent % of Cumulati % of Cumulati % of Cumulati
Total Variance ve % Total Variance ve % Total Variance ve %
1 5.385 59.835 59.835 5.385 59.835 59.835 3.882 43.133 43.133
d
2 1.282 14.249 74.083 1.282 14.249 74.083 2.786 30.950 74.083
i
m 3 .884 9.823 83.907
e 4 .619 6.882 90.788
n 5 .474 5.268 96.057
si 6 .222 2.465 98.521
o 7 .093 1.031 99.552
n
8 .034 .374 99.926
0
9 .007 .074 100.000
Extraction Method: Principal Component Analysis.
Sumber : Output SPSS, 2014

Terdapat 9 variabel (Component) yang dimasukkan dalam analisis


faktor, yaitu variabel Kepadatan Penduduk, Laju Pertumbuhan Penduduk,
Angka Harapan Hidup, Rata-Rata Lama Sekolah, Pengeluaran per Kapita,
IPM, Indeks Kedalaman Kemiskinan, Indeks Keparahan Kemiskinan,
Persentase Penduduk Miskin. Dengan masing-masing variabel mempunyai
varian 1, sehingga total varian adalah 9 X 1 = 9. Dari tabel di atas,
terlihat bahwa hanya dua faktor yang terbentuk, karena dengan dua
faktor, angka eigen values berada di atas 1, yaitu 1,282. Namun untuk
tujuh faktor angka eigen values sudah berada di bawah 1, yaitu 0,884,
sehingga proses factoring seharusnya berhenti pada 2 faktor saja. Hal ini
karena eigenvalues menunjukkan kepentingan masing-masing faktor

27
dalam menghitung varian 9 variabel yang dianalisis. Dua faktor yang
ditentukan dapat menjelaskan sekitar 74,083% dari sembilan variabel
yang ada.
Gambar 3.1

Sumber : Output SPSS, 2014

Apabila tabel Total Variance menjelaskan dasar jumlah faktor yang


didapat dengan perhitungan angka, Scree Plot menampakkan hal
tersebut dengan grafik. Perhatikan faktor 2 pada sumbu x (Component
Number) berada di atas angka 1 pada sumbu y (eigenvalue). Hal ini
menunjukkan bahwa dua faktor adalah paling bagus untuk meringkas
dan mengelompokkan kesembilan variabel tersebut.

28
Tabel 3.14
Component Matrixa
Component
1 2
IPM .935 .271
Rata-Rata Lama Sekolah .925 .285
Angka Harapan Hidup .833 .170
Persentase Penduduk Miskin -.821 .411
Kepadatan Penduduk .794 .359
Laju Pertumbuhan Penduduk .726 -.318
Pengeluaran per Kapita .679 .356
Indeks Kedalaman Kemiskinan -.652 .639
Indeks Keparahan Kemiskinan -.494 .406
Extraction Method: Principal Component Analysis.
a. 2 components extracted.
Sumber : Output SPSS, 2014

Tabel Component Matrix menunjukkan distribusi kesembilan


variabel pada dua faktor yang terbentuk. Sedangkan angka-angka yang
ada pada tabel adalah factor loadings, yang menunjukkan besar korelasi
antara suatu variabel dengan faktor 1 dan faktor 2. Proses penentuan
variabel mana akan masuk ke faktor yang mana dilakukan dengan
melakukan perbandingan besar korelasi pada setiap baris. Korelasi
antara suatu variabel dengan salah satu faktor dapat dilihat dari faktor
loading yang ada pada tabel. Jika nilainya lebih dari 0,5, maka korelasi
antara suatu variabel dengan salah satu faktor dikatakan kuat. Selain
itu, jika angka faktor loading suatu variabel dengan satu faktor lebih
besar daripada nilai korelasinya dengan faktor yang lain, maka variabel
tersebut masuk dalam kategori faktor dengan faktor loading terbesar.
Perlu diperhatikan bahwa tanda “-“ hanya menunjukkan arah hubungan
tersebut. Namun tabel Component Matrix ini belum cukup
mengelompokkan variabel-variabel dengan jelas karena ada korelasi
yang menunjukkan perbedaan yang tidak signifikan. Jadi, untuk
menghindari adanya kesalahan pengelompokkan variabel pada suatu
faktor, perlu adanya proses rotasi. Di bawah ini adalah tabel Component
Matrix yang telah dirotasi atau biasa disebut Rotated Component
Matrix.

29
Tabel 3.15
Rotated Component Matrixa
Component
1 2
Rata-Rata Lama Sekolah .908 -.333
IPM .908 -.350
Kepadatan Penduduk .850 -.195
Angka Harapan Hidup .766 -.369
Pengeluaran per Kapita .756 -.128
Indeks Kedalaman Kemiskinan -.132 .903
Persentase Penduduk Miskin -.405 .825
Laju Pertumbuhan Penduduk .385 -.692
Indeks Keparahan Kemiskinan -.148 .622
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser
Normalization.
a. Rotation converged in 3 iterations.
Sumber : Output SPSS, 2014
Rotated Component Matrix merupakan Component Matrix yang telah
dirotasi sehingga dapat memperlihatkan distribusi variabel yang lebih
jelas dan nyata. Terlihat faktor loadings yang awalnya kecil semakin
diperkecil, dan faktor loadings yang besar semakin besar. Sehingga, jika
dilihat dari besar faktor loading antara variabel dengan faktor yang
terbentuk, maka pengelompokkan kesembilan variabel tersebut adalah
sebagai berikut :
• Faktor 1 :
− Rata-Rata Lama Sekolah
− IPM
− Kepadatan Penduduk
− Angka Harapan Hidup
− Pengeluaran per Kapita
• Faktor 2 :
− Indeks Kedalaman Kemiskinan
− Persentase Penduduk Miskin
− Laju Pertumbuhan Penduduk
− Indeks Keparahan Kemiskinan

30
Tabel 3.16
Component Transformation Matrix
Component 1 2
1 .796 -.605
dimension0
2 .605 .796
Extraction Method: Principal Component
Analysis.
Rotation Method: Varimax with Kaiser
Normalization.
Sumber : Output SPSS, 2014

Tabel Component Transformation Matrix dapat membuktikan


apakah suatu faktor (component) yang terbentuk sudah tepat atau
belum. Tabel ini menunjukkan hubungan antara faktor yang satu dengan
yang lainnya. Perhatikan angka-angka yang ada pada diagonal, antara
Component 1 dengan 1 dan Component 2 dengan 2. Dapat dilihat pada
komponen 1 dengan 1 serta komponen 2 dengan 2 menunjukkan angka
0,796 dimana angka tersebut lebih dari 0,5. Dengan demikian angka
tersebut membuktikan bahwa faktor (component) yang terbentuk sudah
tepat karena memiliki korelasi yang tinggi.

Tabel 3.17
Tabel Pengelompokkan Variabel
Faktor 1 Faktor 2
No
Kapasitas Penduduk Ekonomi

1 Rata-Rata Lama Sekolah Indeks Kedalaman Kemiskinan

2 IPM Persentase Penduduk Miskin

3 Kepadatan Penduduk Laju Pertumbuhan Penduduk

4 Angka Harapan Hidup Indeks Keparahan Kemiskinan

5 Pengeluaran per Kapita

Dari tabel diatas didapatkan dua faktor yang merupakan hasil


pengelompokkan variabel analisis faktor SPSS. Dua faktor tersebut yaitu
kapasitas penduduk dan ekonomi. Faktor pertama dinamakan
kemampuan penduduk karena didalamnya terdapat variabel yang

31
menggambarkan kapasitas yang dimiliki oleh setiap penduduk seperti
Rata-Rata Lama Sekolah, IPM, Kepadatan Penduduk, Angka Harapan
Hidup, Pengeluaran per Kapita. Meskipun dalam faktor tersbeut terdapat
variabel kepadatan penduduk, namun variabel yang paling dominan
dalam faktor tersebut adalah rata-rata lama sekolah dan IPM. Hal
tersebut dapat dilihat dari faktor loading pada tabel 3.15 dimana faktor
loading kedua variabel tersbeut masing-masing adalah 0,908 yang
mendekati 1, artinya variabel tersebut paling mendominasi faktor
tersebut dan kedua variabel tersbeut merepresentasikan tentang
kapasitas penduduk. Faktor kedua dinamakan faktor ekonomi. Penamaan
tersebut didasarkan pada lebih banyak variabel dalam faktor tersebut
yang mengidentifikasikan kondisi ekonomi penduduk yaitu Indeks
Kedalaman Kemiskinan, Persentase Penduduk Miskin, Indeks Keparahan
Kemiskinan. Selain itu apabila dilihat dari faktor loading dalam tabel
3.15, variabel indeks kedalaman kemiskinan memiliki nilai paling besar
dalam faktor tersebut yaitu 0,903 artinya variabel tersebut paling
dominan dalam faktor tersebut sehingga faktor kedua dinamakan faktor
ekonomi.

Setelah dilakukan analisis faktor di atas dan diperoleh faktor-


faktor yang dapat mempengaruhi kesejahteraan Provinsi Jawa Barat,
selanjutnya dilakukan pengolahan data dengan menggunkaan SPSS untuk
mengetahui kota/kabupaten apa saja yang memiliki tingkat
kesejahteraan yang sama sehingga tergabung dalam satu cluster. Hal ini
dapat diketahui dengan melakukan analisis cluster. Kemudian dari
cluster-cluster tersebut, dianalisis lebih lanjut bagaimana peringkat
cluster-cluster tersebut dengan menggunakan analisis skalogram.

3.2.7 Hasil Analisis Cluster

Berdasarkan langkah-langkah dalam penggunaan SPSS untuk Analisis


Cluster dan Skalogram, kami mendapatkan hasil-hasil sebagai berikut :

32
Tabel 3.18

Case Processing Summarya


Cases
Valid Missing Total
N Percent N Percent N Percent
26 100.0% 0 .0% 26 100.0%
a. Squared Euclidean Distance used
Sumber : Output SPSS, 2014
Tabel diatas hanya menunjukkan berapa banyak data yang hilang.
Namun dalam analisis ini tidak ada data yang hilang, dapat dilihat pada
kolom N missing yaitu sama dengan 0. Selanjutnya tabel yang muncul
adalah tabel Proximities Matrix. Angka-angka yang terdapat dalam tabel
ini menunjukkan kesamaan tiap objek yang diperlihatkan melalui jarak
antar objek. Jarak antar objek ini diukur berdasarkan ukuran jarak
Squared Euclidean. Semakin kecil angka yang ditunjukkan, maka kedua
objek tersebut semakin mirip. Tabel 3.19 Proximities Matrix kami
sertakan dalam bentuk lampiran.

Contoh interpretasi dalam hal ini adalah Kabupaten Ciamis dan Kabupaten
Tasikmalaya, dalam tabel tersebut dapat dilihat bahwa nilai pertemuan
tabel di kedua kecamatan tersebut merupakan nilai terkecil yaitu 0,027 .
Hal tersebut menunjukkan bahwa kedua kabupaten tersebut sangat mirip.
Sebaliknya, Kota Tasikmalaya dan Kota Banjar pada pertemuan tabelnya
memiliki nilai 13,129 yang menunjukkan bahwa kedua kecamatan
tersebut cenderung tidak mirip satu sama lain.

Selanjutnya adalah menentukkan banyaknya cluster yang diinginkkan.


Tabel berikut merupakan salah satu cara untuk menentukan cluster
menggunakan hirarki yang dilihat dari kedekatan antar objek. Jarak antar
objek telah dikelompokkan dan diurutkan dari yang terkecil sampai yang
terbesar.

33
Tabel 3.20
Agglomeration Schedule
Stage Cluster First
Appears Next
Stage Coefficients
Stage
Cluster 1 Cluster 2 Cluster 1 Cluster 2
1 5 14 .017 0 0 4
2 6 7 .027 0 0 7
3 20 22 .030 0 0 17
4 5 8 .061 1 0 7
5 11 13 .063 0 0 14
6 9 12 .082 0 0 9
7 5 6 .097 4 2 19
8 2 26 .115 0 0 16
9 9 15 .118 6 0 12
10 18 24 .198 0 0 13
11 1 4 .363 0 0 20
dimension0

12 9 10 .538 9 0 18
13 18 19 .561 10 0 17
14 11 17 .593 5 0 18
15 21 25 .916 0 0 23
16 2 3 .990 8 0 19
17 18 20 1.079 13 3 21
18 9 11 1.523 12 14 23
19 2 5 1.693 16 7 22
20 1 16 2.477 11 0 22
21 18 23 4.862 17 0 24
22 1 2 5.732 20 19 24
23 9 21 5.807 18 15 25
24 1 18 15.183 22 21 25
25 1 9 20.534 24 23 0
Sumber : Output SPSS, 2014

Jika menggunakan agglomeration Schedule, didapatkan jumlah cluster


yang disarankan adalah sejumlah 6 buah, dilihat dari berapa banyak garis
berwarna yang terbentuk karena menghubungkan sejumlah angka-angka
tertentu

34
Gambar 3.2
Vertical Icicle

Sumber : Output SPSS, 2014

Berdasarkan gambar Vertical Icicle dapat dibuat cluster dari


objek yang ada. Dengan menggunakan 6 buah cluster, didapatkan
anggota-anggota dari masing-masing cluster yang dapat disimpulkan
dengan tabel dibawah ini :

35
Tabel 3.21
Hasil Analisis Cluster 1
Cluster No Kota/Kabupaten
5 Kab. Garut
14 Kab.Purwakarta
8 Kab.Kuningan
6 Kab.Tasikmalaya
1
7 Kab.Ciamis
2 Kab.Sukabumi
26 Kota Banjar
3 Kab.Cianjur

1 Kab.Bogor
2 4 Kab.Bandung
16 Kab.Bekasi

20 Kota Bandung
22 Kota Bekasi
3 18 Kota Bogor
24 Kota Cimahi
19 Kota Sukabumi

4 23 Kota Depok

21 Kota Cirebon
5
25 Kota Tasikmalaya

9 Kab.Cirebon
12 Kab.Indramayu
15 Kab.Karawang
6 10 Kab.Majalengka
11 Kab.Sumedang
13 Kab.Subang
17 Kab.Bandung Barat
Sumber : Output SPSS, 2014

36
Selanjutnya, dapat digunakan juga dendogram untuk menentukan jumlah
cluster :
Gambar 3.3

Sumber : Output SPSS, 2014

Berdasarkan hasil interpretasi dari dendogram tersebut, didapatkan


hasil yang sama persis dengan hasil yang diperoleh dari gambar vertical
icicle dengan jumlah cluster 6. Sehingga pada praktikum ini kami
mengambil jumlah cluster yang disarankan yaitu 6 buah cluster.

37
3.2.8. Hasil Analisis Skalogram
Teknik skalogram berusaha mengidentifikasikan suatu skala
tunggal, sepanjang ukuran efektif sikap dalam suatu keadaan yang ada
dan dapat diperoleh. Tujuan teknik skalogram adalah untuk menentukan
peringkat suatu objek tertentu. Prinsipnya adalah konsistensi. Untuk
dapat melihat hierarki tingkat kesejahteraan pada Provinsi Jawa Barat
maka data diubah ke dalam bentuk skalogram berdasarkan hasil analisis
faktor dan analisis cluster. Data awal untuk skalogram adalah data
cluster berdasarkan faktor. Ini diperoleh dari data faktor yang
merupakan hasil dari proses Analisis faktor dengan SPSS, yaitu sebagai
berikut:
Tabel 3.22
Hasil Analisis Faktor
No Kota/Kabupaten Faktor 1 Faktor 2
1 Kab.Bogor -0.40361 -0.66859
2 Kab.Sukabumi -1.12431 -0.70723
3 Kab.Cianjur -1.74843 -0.39644
4 Kab.Bandung -0.08318 -1.1791
5 Kab.Garut -0.64371 0.02904
6 Kab.Tasikmalaya -0.606 -0.14327
7 Kab.Ciamis -0.77081 -0.15808
8 Kab.Kuningan -0.72652 0.14418
9 Kab.Cirebon -0.72287 1.16544
10 Kab.Majalengka -0.36626 1.44732
11 Kab.Sumedang -0.14669 0.37142
12 Kab.Indramayu -0.88521 0.92927
13 Kab.Subang -0.32831 0.54481
14 Kab.Purwakarta -0.51438 0.01657
15 Kab.Karawang -0.54406 0.88902
16 Kab.Bekasi -0.5021 -2.2394
17 Kab.Bandung Barat 0.34868 0.91121
18 Kota Bogor 1.47323 0.18996
19 Kota Sukabumi 0.74438 0.01674
20 Kota Bandung 1.35689 -0.59747
21 Kota Cirebon 1.50928 1.20109
22 Kota Bekasi 1.5019 -0.69388
23 Kota Depok 1.85009 -1.89107
24 Kota Cimahi 1.26704 -0.20454
25 Kota Tasikmalaya 1.02548 2.02682
26 Kota Banjar -0.96051 -1.00384
Sumber : Output SPSS, 2014

38
Kemudian dari hasil output SPSS analisis cluster, dapat dibuat tabel
cluster, sehingga didapatkan cluster sebagaiberikut:
Tabel 3.23
Hasil Analisis Cluster 2
Cluster No Kota/Kabupaten Faktor 1 Faktor 2
5 Kab. Garut -0.64371 0.02904
14 Kab.Purwakarta -0.51438 0.01657
8 Kab.Kuningan -0.72652 0.14418
6 Kab.Tasikmalaya -0.606 -0.14327
1
7 Kab.Ciamis -0.77081 -0.15808
2 Kab.Sukabumi -1.12431 -0.70723
26 Kota Banjar -0.96051 -1.00384
3 Kab.Cianjur -1.74843 -0.39644
Rata-rata -0.88683 -0.27738
1 Kab.Bogor -0.40361 -0.66859
2 4 Kab.Bandung -0.08318 -1.1791
16 Kab.Bekasi -0.5021 -2.2394
Rata-rata -0.32963 -1.36236
20 Kota Bandung 1.35689 -0.59747
22 Kota Bekasi 1.5019 -0.69388
3 18 Kota Bogor 1.47323 0.18996
24 Kota Cimahi 1.26704 -0.20454
19 Kota Sukabumi 0.74438 0.01674
Rata-rata 1.268688 -0.25784
4 23 Kota Depok 1.85009 -1.89107
Rata-rata 1.85009 -1.89107
21 Kota Cirebon 1.50928 1.20109
5
25 Kota Tasikmalaya 1.02548 2.02682
Rata-rata 1.26738 1.613955
9 Kab.Cirebon -0.72287 1.16544
12 Kab.Indramayu -0.88521 0.92927
15 Kab.Karawang -0.54406 0.88902
6 10 Kab.Majalengka -0.36626 1.44732
11 Kab.Sumedang -0.14669 0.37142
13 Kab.Subang -0.32831 0.54481
17 Kab.Bandung Barat 0.34868 0.91121
Rata-rata -0.37782 0.89407
Sumber : Output SPSS, 2014

Dari nilai rata-rata factor score pada masing-masing cluster akan


diperoleh tabel sebagai berikut:

39
Tabel 3.24
Hasil Analisis Cluster 3
Cluster Faktor 1 Faktor 2
1 -0.88683 -0.27738
2 -0.32963 -1.36236
3 1.26869 -0.25784
4 1.85009 -1.89107
5 1.26738 1.61396
6 -0.37782 0.89407
MAX 1.85009 1.61396
MIN -0.88683 -1.89107

RENTANG 0.912307 1.168343


Batas Atas 0.937783 0.445617
Batas Bawah 0.025477 -0.72273
Sumber : Output SPSS, 2014

Untuk menentukan tingkatannya, maka digunakan ukuran :


Tinggi (T) : faktor score ≥ batas tinggi
Sedang (S) : batas rendah < faktor score < batas tinggi
Rendah (R) : faktor score ≤ batas rendah
Ukuran di atas kemudian digunakan untuk membuat tingkatan tinggi,
sedang, dan rendah berdasarkan tiap faktor dalam clusternya. Sehingga
didapat tabel sebagai berikut:
Tabel 3.25
Hasil Analisis Cluster 4
Cluster Faktor 1 Faktor 2
1 R S
2 R R

3 T S

4 T R

5 T T

6 R T
Sumber : Output SPSS, 2014

40
Untuk memudahkan tingkat kesejahteraan di Provinsi Jawa Barat
berdasarkan hirarkinya maka tabel di atas disederhanakan lagi menjadi
tabel di bawah ini. Kami hanya melakukan dua kali iterasi yaitu menusun
hasil analisis cluster 4 di atas ke dalam skalogram dan kemudia iterasi
dengan analisis skalogram untuk menentukan error terkecil. Berikut
hasilnya:

Tabel 3.26
Analisis Skalogram 1
T S R
Cluster
Faktor 1 Faktor 2 Faktor 1 Faktor 2 Faktor 1 Faktor 2
1 * *
2 * *
3 * *
4 * *
5 * *
6 * *
Sumber : Output SPSS, 2014

Urutan faktor serta cluster ini kemudian diubah sedemikian rupa sehingga
pada saat membuat skalogram diperoleh nilai error terkecil. Dari
pengubahan, didapat tabel skalogram sebagai berikut :
Tabel 3.27
Analisis Skalogram 2
Bobot 3 2 1
Ranking
Score

T S R
Kluster Faktor Faktor Faktor Faktor Faktor Faktor
1 2 1 2 1 2
5 * * 6 1

4 * * 6 1

6 * * 5 2

3 * * 4 3

1 * * 3 4

2 * * 2 5
Sumber : Output SPSS, 2014

41
Tabel ini menunjukkan urutan skalogram dengan nilai error terkecil dari
urutan skalogram yang mungkin ada.Untuk mengetahui standar error yang
terbentuk maka digunakan rumus dibawah ini :
R = ∑ Noktah (dalamskalogram) x 100%
∑noktah total
R = 9 x 100% = 75 %
12
Error = 100% - R
= 25 %
Kolom bobot yang berada di ujung tabel merupakan nilai dari tiap
cluster berdasarkan letak skalogram-nya. Kolom ini digunakan untuk
menentukan tingkat kesejahteraan penduduk suatu wilayah berdasarkan
hirarkinya. Kolom score yang berada di kanan tabel merupakan hasil dari
perhitungan bobot yang dimiliki oleh tiap cluster dalam skalogram, dan
kolom ranking pada ujung kanan merupakan kolom yang berisi ranking
tiap cluster berdasarkan score yang dimilikinya.
Berdasarkan hasil analisis skalogram tersebut diperoleh bahwa yang
menempati ranking pertama adalah cluster 5 yang terdiri dari Kota
Cirebon dan Kota Tasikmalaya serta cluster 4 yang berisi Kota Depok.
Kedua cluster tersebut menempati peringkat pertama berdasarkan hasil
analisis skalogram karena cluster tersebut memiliki kategori tinggi pada
faktor 1 dan faktor 2. Dengan demikian ketiga kota yang termasuk ke
dalam cluster 4 dan 5 tersebut memiliki kapasitas penduduk dan tingkat
ekonomi yang tinggi. Kemudian peringkat dua adalah cluster 6 yang
terdiri dari Kabupaten Cirebon, Kabupaten Indramayu, Kabupaten
Karawang, Kabupaten Majalengka, Kabupaten Sumedang, Kabupaten
Subang dan Kabupaten Bandung Barat. Cluster 6 menempati peringkat
dua karena pada faktor 1 termasuk kategori sedang dan pada faktor 2
termasuk dalam kategori tinggi. Pada peringkat 3 terdapat cluster 3 yang
terdiri dari Kota Bandung, Kota Bekasi, Kota Cimahi dan Kota Sukabumi.
Cluster ini berada pada peringkat tiga karena termasuk pada katergori
sedang untuk kedua faktor tersebut. Selanjutnya pada ranking 4 adalah
cluster 1 yang terdiri dari Kabupaten Garut, Kabupaten Purwakarta,
Kabupaten Kuningan, Kabupaten Tasikmalaya, Kabupaten Ciamis,

42
Kabupaten Sukabumi, Kabupaten Cianjur dan Kota Banjar. Cluster 1
berada pada peringkat ini karena cluster 1 termasuk dalam kategori
sedang untuk faktor 1 namun rendah untuk faktor 2. Kemudian pada
peringkat terakhir adalah cluster 2 yang terdiri dari Kabupaten Bogor,
Kabupaten Bandung dan Kabupaten Bekasi. Cluster 2 menempati perigkat
terakhir karena pada kedua faktor tersebut cluster 2 termasuk ke dalam
kategori rendah.

3.3 Interpretasi Terhadap Bidang Perencanaan Wilayah dan Kota


Kesejahteraan rakyat merupakan salah satu tujuan adanya suatu
pemerintahan sehingga hal ini harus diperhatikan oleh pemerintah sebagai
pelaku yang menjalankan roda pemerintahan suatu wilayah. Perlu
diperhatikan apakah kesejahteraan yang terdapat pada wilayah
pemerintahannya telah merata bagi semua penduduk atau belum.
Sebelum dapat mengetahui bagaimana kesejahteraan penduduk pada tiap
wilayah dalam hal ini kota/kabupaten dalam Provinsi Jawa Barat,
tentunya perlu diketahui apa saja yang perlu diketahui untuk dapat
menyimpulkan kesejahteraan penduduk. Dengan menggunakan analisis
faktor tersebut dapat membantu dalam mengelompokkan berbagai
variabel untuk melihat kondisi kesejahteraan penduduk. Melalui analsis
faktor ini kita dapat mengetahui faktor-faktor yang digunakan untuk
mengidentifikasi tingkat kesejahteraan masyarakat Provinsi Jawa Barat.
Berdasarkan analisis faktor yang telah dilakukan, diperoleh dua
faktor yang dapat mengelompokkan variabel-variabel yang dipilih untuk
mengidentifikasi tingkat kesejahteraan masyarakat provinsi Jawa Barat
yaitu faktor kapasitas penduduk dan ekonomi. Dengan demikian dapat
diketahui bahwa faktor-faktor tersebutlah yang tepat untuk digunakan
dalam melihat tingkat kesejahteraan penduduk provinsi Jawa Barat.
Tentu bukan hanya dua faktor tersebut yang digunakan sebagai acuan
untuk mengidentifikasi tingkat kesejahteraan masyarakat namun
setidaknya dua faktor tersebut cukup dapat mewakili untuk melakukan
identifikasi tingkat kesejahteraan masyarakat. Melalui hasil tersebut
perencana maupun pemerintah dapat mengetahui faktor untuk dapat
mengidentifikasi kesejahteraan masyarakat secara lebih sederhana

43
dengan mereduksi variabel. Sehingga variabel yang pada awalnya banyak
dan rumit jika harus dianalisis satu persatu, dapat disederhanakan dan
terwakili melalui faktor-faktor yang terbentuk.
Selanjutnya untuk mengetahui bagaimana hierarki kesejahteraan
masyarakat pada kota/kabupaten di Provinsi Jawa Barat, dilakukan
melalui analisis cluster dan analisis skalogram. Berdasarkan analisis
cluster yang telah dilakukan, terbentuk 6 cluster dari seluruh
kota/kabupaten di Provisni Jawa Barat. Kota/kabupaten yang memiliki
karakteristik yang sama dalam faktor kapasitas penduduk dan ekonomi,
tergabung menjadi satu cluster. Kemudian setelah dilakukan analisis
skalogram dapat diketahui bagaimana hierarki kesejahteraan masyarakat
untuk setiap cluster tersebut sehingga dapat diketahui kota/kabupaten
mana yang memiliki tingkat kesejahteraan tinggi dan kota/kabupaten
yang hanya memiliki tingkat kesejahteraan yang rendah. Dengan demikian
dapat dijadikan acuan bagi pemerintah atau perencana untuk berusaha
memeratakan tingkat kesejahteraan penduduk pada setiap
kota/kabupaten dalam hal ini pada Provinsi Jawa Barat. Apabila mengacu
pada hasil analisis ini, yang dapat dilakukan adalah dengan melihat
bagaimana kondisi faktor kapasitas penduduk atau ekonomi pada suatu
kota/kabupaten. Faktor mana yang perlu menjadi perhatian atau masih
perlu ditingkatkan pada suatu kota/kabupaten.

44
BAB 4
KESIMPULAN DAN SARAN

4.1 Kesimpulan
Setelah dilakukan analisis dengan teliti dan seksama, kesimpulan
yang didapat adalah ketigabelas variabel yang sebelumnya telah dipilih
untuk mengidentifikasi tingkat kesejahteraan masyarakat provinsi Jawa
Barat ternyata tidak semuanya dapat digunakan, hanya terdapat 9
variabel yang tepat untuk digunakan dalam mengidentifikasi tingkat
kesejahteraan masyarakat Provinsi Jawa Barat antara lain Kepadatan
Penduduk, Laju Pertumbuhan Penduduk, Angka Harapan Hidup, Rata-Rata
Lama Sekolah, Pengeluaran per Kapita, IPM, Indeks Kedalaman
Kemiskinan, Indeks Keparahan Kemiskinan dan Persentase Penduduk
Miskin. Kemudian berdasarkan analisis faktor yang dilakukan, dari
kesembilan variabel tersebut terbentuk 2 faktor yaitu faktor kapasitas
penduduk yang berisi variabel Rata-Rata Lama Sekolah, IPM, Angka
Harapan Hidup, Kepadatan Penduduk dan Pengeluaran per Kapita serta
faktor ekonomi yang terdiri dari variabel Indeks Kedalaman Kemiskinan,
Indeks Keparahan Kemiskinan, Persentase Penduduk Miskin dan Laju
Pertumbuhan Penduduk.
Selanjutnya data yang telah diperoleh dari hasil analisis faktor
tersebut kemudian dianalisis lebih lanjut dengan menggunakan analisis
cluster. Berdasarkan hasil analisis cluster, terdapat 6 cluster yang
terbentuk. Cluster 1 terdiri dari Kabupaten Garut, Kabupaten Purwakarta,
Kabupaten Kuningan, Kabupaten Tasikmalaya, Kabupaten Ciamis,
Kabupaten Sukabumi, Kota Banjar dan Kabupaten Cianjur; cluster 2
terdiri dari Kabupaten Bogor, Kabupaten Bandung dan Kabupaten Bekasi;
cluster 3 terdiri dari Kota Bandung, Kota Bekasi, Kota Bogor, Kota Cimahi
dan Kota Sukabumi; cluster 4 hanya berisi Kota Depok; cluster 5 terdiri
dari Kota Cirebon dan Kota Tasikmalaya serta terakhir cluster 6 terdiri
dari Kabupaten Cirebon, Kabupaten Indramayu, Kabupaten Karawang,

45
Kabupaten Majalengka, Kabupaten Sumedang, Kabupaten Subang dan
Kabupaten Bandung Barat.
Setelah itu keenam cluster yang telah terbentuk tersebut dianalisis
lebih lanjut dengan menggunakan analisis skalogram untuk mengetahui
ranking tingkat kesejahteraan masyarakat antar kota/kabupaten di
Provinsi Jawa Barat. Berdasarkan analisis tersebut diperoleh hasil bahwa
cluster yang menempati peringkat pertama tingkat kesejahteraan adalah
cluster 5 dan cluster 4 yang termasuk dalam kategori tinggi untuk faktor 1
yaitu kapasitas penduduk dan faktor 2 yaitu ekonomi. Kemudian yang
berada pada peringkat selanjutnya secara berurutan adalah cluster 6, 3, 1
dan 2.

4.2 Saran
Pemerataan kesejahteraan penduduk tentunya sangat penting untuk
diperhatikan oleh pemerintah. Ketika telah diketahui terjadi
ketidakmerataan kesejahteraan seperti dari hasil analisis di atas
seharusnya pemerintah dalam hal ini Pemerintah Provinsi Jawa Barat,
memberi perhatian lebih kepada kota/kabupaten yang memiliki peringkat
kesejahteraan yang masih rendah. Apabila mengacu pada hasil analisis di
atas, faktor yang diperhatikan untuk dapat menjadi focus dalam
meningkatkan kesejahteraan adalah faktor kapasitas penduduk dan
ekonomi penduduk. Ketika telah diketahui terdapat beberapa
kota/kabupaten yang kurang baik dari salah satu atau kedua faktor,
pemerintah seharusnya lebih tanggap dalam usaha meningkatkan kondisi
penduduk dari segi faktor tersebut. Perbaikan kondisi tersebut dapat
dilakukan dengan mengadakan suatu program pada masyarakat secara
langsung atau membuat suatu kebijakan pada suatu kota/kabupaten yang
dapat memperbaiki kesejahteraan masyarakat secara efektif. Dengan
demikian tidak akan terjadi kesenjangan kesejahteraan antar
kota/kabupaten.

46
DAFTAR PUSTAKA

Jawa Barat Dalam Angka 2012


Undang-Undang Dasar 1945
UU No. 11 Tahun 2009 tentang Kesejahteraan Sosial
W.J.S. Poerwadarimta, pengertian kesejahteraan manusia, (bandung: mizan
1996), h. 126.
http://id.shvoong.com/social-sciences/sociology/2284125-pengertian-
kesejahteraan-sosial-masyarakat/ diakses pada tanggal 12 Mei 2014 pukul
08.26
http://data.tnp2k.go.id/?q=content/indeks-kedalaman-kemiskinan-dan-indeks-
keparahan-kemiskinan diakses pada tanggal 12 Mei 2014 pukul 09.15
http://siboykasaci.wordpress.com/teori-kesejahteraan/ diakses pada tanggal
12 Mei 2014 pukul 09.15
http://www.jamsosindonesia.com/ diakses pada tanggal 15 Mei 2014 pukul
08.52
http://opini.berita.upi.edu/2013/01/23/tujuan-dan-sasaran-kesejahteraan-
sosial/ diakses pada tanggal 15 Mei 2014 pukul 08.52
http://www.kemsos.go.id/ diakses pada tanggal 15 Mei 2014 pukul 08.55
http://sosialnews.com/hukum/undang-undang-dan-peraturan-tentang-
kesejahteraan-sosial-2.html diakses pada tanggal 15 Mei 2014 pukul 08.54
Modul Praktikum I MAP II “Analisis Faktor”
Modul Praktikum II MAP II “Analisis Cluster dan Skalogram”

47
LAMPIRAN

48
Tabel 3.1
Input Data

Angka Rata-Rata
Jumlah Kepadatan Laju Angka Pengeluaran Indeks Indeks Persentase Gizi Buruk Jumlah
Harapan Lama
No Kota/ Kabupaten Penduduk Penduduk Pertumbuhan Melek per Kapita IPM Kedalaman Keparahan Penduduk Balita Pengangguran
Hidup Sekolah
(jiwa) (jiwa/km2) Penduduk (%) Huruf (%) (Ribu Rupiah) Kemiskinan Kemiskinan Miskin (%) (Jiwa) (Jiwa)
(Tahun) (Tahun)

1 Kab.Bogor 4857612 1620.75 3.15 68.86 95.02 7.98 629.62 72.16 1.67 0.43 10.81 3304 222638
2 Kab. Sukabumi 2383450 572.84 1.22 67.06 97.33 6.88 629.99 70.66 1.38 0.3 11.78 1777 96834
3 Kab.Cianjur 2210267 614.88 1.11 66 97.55 6.82 614.83 69.14 1.85 0.38 14.14 2437 97500
4 Kab. Bandung 3235615 1841.92 2.57 69.02 98.72 8.37 638.56 74.05 1.14 0.24 8.29 2516 145165
5 Kab.Garut 2447287 790.88 1.61 65.6 98.94 7.34 637.49 71.36 1.8 0.34 15.7 2159 88372
6 Kab. Tasikmalaya 1705763 631.1 1.15 67.96 98.8 6.99 632.31 72 1.7 0.36 13.5 1025 61203
7 Kab.Ciamis 1560021 569.19 0.47 67.29 97.59 7.19 630.86 71.37 1.62 0.4 11.23 335 63021
8 Kab. Kuningan 1054183 886.17 0.51 67.47 95.45 6.95 631.73 70.89 1.75 0.34 15.91 587 42156
9 Kab. Cirebon 2104313 1964.72 0.69 65.29 92.33 6.85 631.55 68.89 2.45 0.58 18.22 2613 93866
10 Kab. Majalengka 1187417 883.54 0.4 66.35 95.09 6.84 633.65 70.25 2.55 0.67 17.12 1050 41443
11 Kab. Sumedang 1113238 713.39 1.23 67.42 97.73 7.93 636.01 72.42 1.93 0.48 13.69 587 39955
12 Kab. Indramayu 1693610 809.53 0.46 66.82 85.65 5.73 635.67 67.75 2.25 0.52 17.99 750 79018
13 Kab.Subang 1491464 689.06 0.98 69.39 92.45 6.92 630.09 71.14 2.22 0.52 14.13 541 62456
14 Kab. Purwakarta 867828 876.69 2.01 67.06 95.71 7.42 633.15 71.17 1.99 0.55 10.48 675 35657
15 Kab. Karawang 2165996 1131.56 1.77 66.7 93.21 6.95 629.62 69.79 2.46 0.78 12.9 1441 98420
16 Kab.Bekasi 2677631 2109.18 4.7 69.4 94.03 8.33 635.18 72.93 0.88 0.18 5.97 1129 123029
17 Kab. Bandung Barat 1537402 1151.09 1.97 68.65 98.51 8.07 635.56 73.35 2.4 0.58 16.03 1044 61868
18 Kota Bogor 967398 8658.35 2.4 68.87 98.77 9.79 647.89 75.75 1.6 0.48 8.82 555 44985
19 Kota Sukabumi 304044 6210.05 1.71 69.45 99.66 9.32 634.82 74.91 1.51 0.52 9.16 76 13461
20 Kota Bandung 2437874 14491.32 1.16 69.72 99.67 10.44 636.89 76.06 0.99 0.29 4.5 650 116798
21 Kota Cirebon 301711 7512.72 0.86 68.5 97.05 9.47 647.96 74.93 2.12 0.51 13.06 241 14280
22 Kota Bekasi 2376794 11128.35 3.48 69.64 98.51 10.53 643.92 76.36 1.18 0.39 5.78 400 116290
23 Kota Depok 1769787 8873.78 4.32 73.09 98.94 10.94 649.2 79.09 0.51 0.14 2.93 837 86387
24 Kota Cimahi 550894 13371.21 2.06 69.18 99.65 10.5 633.2 75.51 1.43 0.42 7.1 362 25996
25 Kota Tasikmalaya 646874 3508.37 1.13 69.86 99.55 8.83 630.24 74.4 4.11 0.17 23.55 511 25525
26 Kota Banjar 178302 1362.54 1.14 66.26 97.26 8.01 631.36 71.38 1.21 0.25 8.64 139 5520
Sumber: Jawa Barat Dalam Angka 2012
Tabel 3.16
Proximities Matrix
Squared Euclidean Distance
25:
6:Kab. 10:Ka 14:Ka 17:Ka 19: 20: 21: 24:
2:Kab. 3:Kab. 4:Kab. 8:Kab. 9:Kab. 11:Ka 12:Ka 13:Ka 15:Ka 16:Ka 18: 22: 23: Kota 26:
Case 1:Kab. 5:Kab. Tasik 7:Kab. b.Maj b.Pur b.Ban Kota Kota Kota Kota
Sukab Cianju Bandu Kunin Cirebo b.Sum b.Indr b.Sub b.Kara b.Bek Kota Kota Kota Tasik Kota
Bogor Garut malay Ciamis alengk wakar dung Sukab Bandu Cirebo Cimah
umi r ng gan n edang amayu ang wang asi Bogor Bekasi Depok malay Banjar
a a ta Barat umi ng n i
a
1:Kab.Bogor .000 .521 1.883 .363 .544 .317 .395 .765 3.466 4.478 1.148 2.785 1.478 .482 2.446 2.477 3.062 4.260 1.788 3.104 7.155 3.632 6.574 3.006 9.308 .423
2:Kab.
.521 .000 .486 1.307 .773 .587 .427 .883 3.668 5.217 2.119 2.735 2.201 .896 2.885 2.735 4.789 7.552 4.016 6.168 10.577 6.897 10.249 5.971 12.097 .115
Sukabumi
3:Kab.
1.883 .486 .000 3.386 1.401 1.369 1.013 1.337 3.491 5.310 3.155 2.503 2.903 1.693 3.103 4.950 6.108 10.723 6.385 9.683 13.165 10.653 15.183 9.130 13.567 .990
Cianjur
4:Kab.
.363 1.307 3.386 .000 1.774 1.346 1.515 2.165 5.906 6.978 2.408 5.088 3.032 1.616 4.490 1.300 4.556 4.297 2.115 2.412 8.201 2.748 4.244 2.773 11.507 .800
Bandung
5:Kab.Garut .544 .773 1.401 1.774 .000 .031 .051 .020 1.298 2.088 .364 .869 .365 .017 .749 5.166 1.763 4.507 1.927 4.395 6.009 5.126 9.906 3.705 6.777 1.167
6:Kab.
.317 .587 1.369 1.346 .031 .000 .027 .097 1.726 2.587 .476 1.228 .551 .034 1.069 4.405 2.023 4.434 1.849 4.059 6.282 4.746 9.087 3.512 7.371 .866
Tasikmalaya
7:Kab.Ciamis .395 .427 1.013 1.515 .051 .027 .000 .093 1.754 2.741 .670 1.195 .690 .096 1.148 4.404 2.397 5.157 2.326 4.720 7.046 5.452 9.872 4.155 8.000 .751
8:Kab.
.765 .883 1.337 2.165 .020 .097 .093 .000 1.043 1.828 .388 .642 .319 .061 .588 5.732 1.744 4.841 2.180 4.891 6.116 5.668 10.781 4.096 6.614 1.373
Kuningan
9:Kab.
3.466 3.668 3.491 5.906 1.298 1.726 1.754 1.043 .000 .207 .962 .082 .541 1.363 .108 11.642 1.213 5.774 3.472 7.433 4.984 8.407 15.962 5.837 3.799 4.762
Cirebon
10:Kab.
4.478 5.217 5.310 6.978 2.088 2.587 2.741 1.828 .207 .000 1.206 .538 .816 2.069 .343 13.610 .799 4.965 3.280 7.150 3.578 8.075 16.057 5.396 2.273 6.361
Majalengka
11:Kab.
1.148 2.119 3.155 2.408 .364 .476 .670 .388 .962 1.206 .000 .857 .063 .261 .426 6.943 .537 2.657 .920 3.199 3.431 3.853 9.106 2.330 4.114 2.554
Sumedang
12:Kab.
2.785 2.735 2.503 5.088 .869 1.228 1.195 .642 .082 .538 .857 .000 .458 .971 .118 10.187 1.523 6.109 3.488 7.358 5.807 8.333 15.436 5.918 4.855 3.743
Indramayu
13:Kab.
1.478 2.201 2.903 3.032 .365 .551 .690 .319 .541 .816 .063 .458 .000 .314 .165 7.782 .593 3.371 1.430 4.145 3.807 4.884 10.679 3.107 4.029 2.798
Subang
14:Kab.
.482 .896 1.693 1.616 .017 .034 .096 .061 1.363 2.069 .261 .971 .314 .000 .762 5.090 1.545 3.981 1.584 3.879 5.498 4.570 9.230 3.222 6.412 1.240
Purwakarta
15:Kab.
2.446 2.885 3.103 4.490 .749 1.069 1.148 .588 .108 .343 .426 .118 .165 .762 .000 9.789 .797 4.558 2.421 5.823 4.314 6.691 13.461 4.476 3.758 3.756
Karawang
16:Kab.
2.477 2.735 4.950 1.300 5.166 4.405 4.404 5.732 11.642 13.610 6.943 10.187 7.782 5.090 9.789 .000 10.650 9.804 6.644 6.152 15.883 6.405 5.654 7.271 20.534 1.737
Bekasi
17:Kab.
3.062 4.789 6.108 4.556 1.763 2.023 2.397 1.744 1.213 .799 .537 1.523 .593 1.545 .797 10.650 .000 1.785 .957 3.293 1.431 3.906 10.107 2.088 1.703 5.381
Bandung Barat
18:Kota Bogor 4.260 7.552 10.723 4.297 4.507 4.434 5.157 4.841 5.774 4.965 2.657 6.109 3.371 3.981 4.558 9.804 1.785 .000 .561 .634 1.024 .782 4.473 .198 3.575 7.348
19:Kota
1.788 4.016 6.385 2.115 1.927 1.849 2.326 2.180 3.472 3.280 .920 3.488 1.430 1.584 2.421 6.644 .957 .561 .000 .752 1.988 1.079 4.862 .322 4.119 3.948
Sukabumi
20:Kota
3.104 6.168 9.683 2.412 4.395 4.059 4.720 4.891 7.433 7.150 3.199 7.358 4.145 3.879 5.823 6.152 3.293 .634 .752 .000 3.258 .030 1.917 .162 6.997 5.535
Bandung
21:Kota
7.155 10.577 13.165 8.201 6.009 6.282 7.046 6.116 4.984 3.578 3.431 5.807 3.807 5.498 4.314 15.883 1.431 1.024 1.988 3.258 .000 3.591 9.678 2.034 .916 10.962
Cirebon
22:Kota Bekasi 3.632 6.897 10.653 2.748 5.126 4.746 5.452 5.668 8.407 8.075 3.853 8.333 4.884 4.570 6.691 6.405 3.906 .782 1.079 .030 3.591 .000 1.554 .295 7.629 6.160
23:Kota
6.574 10.249 15.183 4.244 9.906 9.087 9.872 10.781 15.962 16.057 9.106 15.436 10.679 9.230 13.461 5.654 10.107 4.473 4.862 1.917 9.678 1.554 .000 3.184 16.030 8.687
Depok
24:Kota
3.006 5.971 9.130 2.773 3.705 3.512 4.155 4.096 5.837 5.396 2.330 5.918 3.107 3.222 4.476 7.271 2.088 .198 .322 .162 2.034 .295 3.184 .000 5.037 5.601
Cimahi
25:Kota
9.308 12.097 13.567 11.507 6.777 7.371 8.000 6.614 3.799 2.273 4.114 4.855 4.029 6.412 3.758 20.534 1.703 3.575 4.119 6.997 .916 7.629 16.030 5.037 .000 13.129
Tasikmalaya
26:Kota Banjar .423 .115 .990 .800 1.167 .866 .751 1.373 4.762 6.361 2.554 3.743 2.798 1.240 3.756 1.737 5.381 7.348 3.948 5.535 10.962 6.160 8.687 5.601 13.129 .000
Sumber: Output SPSS, 2014
Tabel 3.3
Anti-image Matrices
Kepada Laju Rata- Pengelu Indeks Indeks Persenta
Jumlah tan Pertumbuh Angka Angka Rata aran Kedalaman Keparahan se Pendu Gizi Jumlah
Pendudu Pendud an Harapan Melek Lama per Kemis Kemis duk Buruk Penganggu
k uk Penduduk Hidup Huruf Sekolah Kapita IPM kinan kinan Miskin Balita ran
An Jumlah Penduduk .003 -.004 -.008 5.327E-5 .000 .000 .000 -2.125E-5 .003 -.002 -.003 .000 -.003
ti- Kepadatan Penduduk -.004 .055 .060 -.002 -.001 -.004 -.002 .001 .010 -.032 -.002 .015 .004
im Laju Pertumbuhan -.008 .060 .157 .000 .002 -.003 .000 9.126E-5 -.015 .018 .026 -.027 .007
ag Penduduk
e
Angka Harapan Hidup 5.327E-5 -.002 .000 .002 .003 .001 .003 -.001 -.001 .005 .001 -.002 -3.807E-5
Co
var Angka Melek Huruf .000 -.001 .002 .003 .004 .002 .005 -.001 -.002 .007 .002 -.004 .001
ian Rata-Rata Lama Sekolah .000 -.004 -.003 .001 .002 .001 .003 -.001 -.001 .005 .001 -.002 .000
ce Pengeluaran per Kapita .000 -.002 .000 .003 .005 .003 .006 -.001 -.001 .006 .002 -.003 .000
IPM -2.125E-5 .001 9.126E-5 -.001 -.001 -.001 -.001 .000 .000 -.002 .000 .001 1.121E-5
Indeks Kedalaman .003 .010 -.015 -.001 -.002 -.001 -.001 .000 .065 -.098 -.047 .032 -.003
Kemiskinan
Indeks Keparahan -.002 -.032 .018 .005 .007 .005 .006 -.002 -.098 .408 .068 -.057 .003
Kemiskinan
Persentase Penduduk Miskin -.003 -.002 .026 .001 .002 .001 .002 .000 -.047 .068 .040 -.035 .004
Gizi Buruk Balita .000 .015 -.027 -.002 -.004 -.002 -.003 .001 .032 -.057 -.035 .154 -.003
Jumlah Pengangguran -.003 .004 .007 -3.807E-5 .001 .000 .000 1.121E-5 -.003 .003 .004 -.003 .003
An Jumlah Penduduk .596a -.309 -.348 .021 -.143 .200 -.056 -.024 .177 -.043 -.274 .021 -.990
ti- Kepadatan Penduduk -.309 .763a .644 -.166 -.066 -.429 -.121 .188 .168 -.211 -.044 .159 .264
im Laju Pertumbuhan -.348 .644 .754a -.023 .094 -.187 .013 .015 -.145 .071 .332 -.176 .324
ag Penduduk
e
Angka Harapan Hidup .021 -.166 -.023 .447a .977 .944 .984 -.996 -.109 .192 .134 -.091 -.015
Co
rre Angka Melek Huruf -.143 -.066 .094 .977 .310a .886 .986 -.979 -.117 .189 .178 -.153 .154
lat Rata-Rata Lama Sekolah .200 -.429 -.187 .944 .886 .527a .914 -.956 -.166 .222 .164 -.163 -.178
ion Pengeluaran per Kapita -.056 -.121 .013 .984 .986 .914 .353a -.988 -.052 .128 .100 -.102 .064
IPM -.024 .188 .015 -.996 -.979 -.956 -.988 .528a .107 -.176 -.140 .131 .013
Indeks Kedalaman .177 .168 -.145 -.109 -.117 -.166 -.052 .107 .587a -.601 -.926 .322 -.204
Kemiskinan
Indeks Keparahan -.043 -.211 .071 .192 .189 .222 .128 -.176 -.601 .569a .534 -.228 .070
Kemiskinan
Persentase Penduduk Miskin -.274 -.044 .332 .134 .178 .164 .100 -.140 -.926 .534 .650a -.441 .314
Gizi Buruk Balita .021 .159 -.176 -.091 -.153 -.163 -.102 .131 .322 -.228 -.441 .791a -.138
Jumlah Pengangguran -.990 .264 .324 -.015 .154 -.178 .064 .013 -.204 .070 .314 -.138 .594a
a. Measures of Sampling Adequacy(MSA) Sumber: Output SPSS, 2014
Tabel 3.5
Anti-image Matrices
Kepa Laju Indeks Indeks
Jumlah datan Pertumbuh Angka Rata-Rata Pengelu Kedalaman Keparahan Persentase Gizi Jumlah
Pendu Pendu an Harapan Lama aran per Kemis Kemis Penduduk Buruk Pengangg
duk duk Penduduk Hidup Sekolah Kapita IPM kinan kinan Miskin Balita uran
Anti Jumlah Penduduk .003 -.004 -.008 .009 .003 .014 -.004 .002 -.001 -.003 -3.137E-5 -.003
- Kepadatan Penduduk -.004 .055 .061 -.023 -.014 -.037 .011 .010 -.031 -.002 .014 .004
ima Laju Pertumbuhan -.008 .061 .158 -.044 -.018 -.089 .016 -.014 .014 .026 -.026 .007
ge Penduduk
Cov Angka Harapan Hidup .009 -.023 -.044 .042 .012 .058 -.014 .001 .005 -.008 .023 -.009
aria Rata-Rata Lama Sekolah .003 -.014 -.018 .012 .006 .019 -.005 -.003 .006 .000 -.002 -.003
nce Pengeluaran per Kapita .014 -.037 -.089 .058 .019 .219 -.024 .046 -.109 -.044 .056 -.014
IPM -.004 .011 .016 -.014 -.005 -.024 .006 -.001 .002 .003 -.003 .003
Indeks Kedalaman .002 .010 -.014 .001 -.003 .046 -.001 .065 -.099 -.048 .031 -.003
Kemiskinan
Indeks Keparahan -.001 -.031 .014 .005 .006 -.109 .002 -.099 .423 .069 -.053 .002
Kemiskinan
Persentase Penduduk -.003 -.002 .026 -.008 .000 -.044 .003 -.048 .069 .041 -.034 .003
Miskin
Gizi Buruk Balita -3.137E-5 .014 -.026 .023 -.002 .056 -.003 .031 -.053 -.034 .158 -.003
Jumlah Pengangguran -.003 .004 .007 -.009 -.003 -.014 .003 -.003 .002 .003 -.003 .003
Anti Jumlah Penduduk .378a -.323 -.340 .759 .714 .512 -.804 .163 -.017 -.255 -.001 -.990
- Kepadatan Penduduk -.323 .584a .654 -.472 -.801 -.332 .600 .162 -.203 -.033 .151 .278
ima Laju Pertumbuhan -.340 .654 .572a -.536 -.587 -.477 .520 -.136 .054 .321 -.165 .314
ge Penduduk
Corr Angka Harapan Hidup .759 -.472 -.536 .456a .789 .596 -.905 .028 .037 -.192 .278 -.784
elati Rata-Rata Lama Sekolah .714 -.801 -.587 .789 .507a .522 -.934 -.135 .120 .013 -.058 -.687
on Pengeluaran per Kapita .512 -.332 -.477 .596 .522 .446a -.670 .385 -.357 -.460 .300 -.530
IPM -.804 .600 .520 -.905 -.934 -.670 .491a -.040 .045 .169 -.095 .804
Indeks Kedalaman .163 .162 -.136 .028 -.135 .385 -.040 .570a -.593 -.926 .310 -.189
Kemiskinan
Indeks Keparahan -.017 -.203 .054 .037 .120 -.357 .045 -.593 .551a .517 -.206 .042
Kemiskinan
Persentase Penduduk -.255 -.033 .321 -.192 .013 -.460 .169 -.926 .517 .626a -.425 .295
Miskin
Gizi Buruk Balita -.001 .151 -.165 .278 -.058 .300 -.095 .310 -.206 -.425 .772a -.117
Jumlah Pengangguran -.990 .278 .314 -.784 -.687 -.530 .804 -.189 .042 .295 -.117 .375a
a. Measures of Sampling Adequacy(MSA)

Sumber: Output SPSS, 2014


Tabel 3.7

Anti-image Matrices
Laju Angka Rata-Rata Indeks Indeks Persentase
Jumlah Kepadatan Pertumbuha Harapa Lama Pengeluaran Kedalaman Keparahan Penduduk Gizi Buruk
Penduduk Penduduk n Penduduk n Hidup Sekolah per Kapita IPM Kemiskinan Kemiskinan Miskin Balita
An Jumlah Penduduk .164 -.035 -.036 -.026 .014 -.022 -.005 -.018 .047 .023 -.134
ti- Kepadatan Penduduk -.035 .060 .064 -.035 -.023 -.031 .021 .015 -.036 -.007 .019
im Laju Pertumbuhan -.036 .064 .176 -.068 -.024 -.089 .025 -.009 .012 .023 -.023
ag Penduduk
e
Angka Harapan Hidup -.026 -.035 -.068 .110 .019 .063 -.031 -.017 .025 .005 .040
Co
var Rata-Rata Lama Sekolah .014 -.023 -.024 .019 .011 .015 -.012 -.010 .014 .007 -.008
ian Pengeluaran per Kapita -.022 -.031 -.089 .063 .015 .305 -.034 .049 -.142 -.044 .063
ce IPM -.005 .021 .025 -.031 -.012 -.034 .016 .006 .001 -.003 .000
Indeks Kedalaman -.018 .015 -.009 -.017 -.010 .049 .006 .068 -.101 -.052 .031
Kemiskinan
Indeks Keparahan .047 -.036 .012 .025 .014 -.142 .001 -.101 .424 .073 -.053
Kemiskinan
Persentase Penduduk .023 -.007 .023 .005 .007 -.044 -.003 -.052 .073 .045 -.035
Miskin
Gizi Buruk Balita -.134 .019 -.023 .040 -.008 .063 .000 .031 -.053 -.035 .160
An Jumlah Penduduk .470a -.348 -.210 -.190 .326 -.098 -.098 -.175 .178 .272 -.827
ti- Kepadatan Penduduk -.348 .577a .622 -.426 -.873 -.227 .659 .228 -.224 -.125 .192
im Laju Pertumbuhan -.210 .622 .623a -.492 -.537 -.385 .473 -.082 .043 .252 -.136
ag Penduduk
e
Angka Harapan Hidup -.190 -.426 -.492 .655a .556 .343 -.744 -.198 .114 .066 .302
Co
rre Rata-Rata Lama Sekolah .326 -.873 -.537 .556 .596a .256 -.883 -.371 .205 .310 -.192
lat Pengeluaran per Kapita -.098 -.227 -.385 .343 .256 .644a -.484 .342 -.395 -.374 .283
ion IPM -.098 .659 .473 -.744 -.883 -.484 .634a .193 .018 -.119 -.002
Indeks Kedalaman -.175 .228 -.082 -.198 -.371 .342 .193 .537a -.596 -.927 .295
Kemiskinan
Indeks Keparahan .178 -.224 .043 .114 .205 -.395 .018 -.596 .513a .529 -.202
Kemiskinan
Persentase Penduduk .272 -.125 .252 .066 .310 -.374 -.119 -.927 .529 .637a -.412
Miskin
Gizi Buruk Balita -.827 .192 -.136 .302 -.192 .283 -.002 .295 -.202 -.412 .515a
a. Measures of Sampling Adequacy(MSA)

Sumber: Output SPSS, 2014


Tabel 3.9
Anti-image Matrices
Kepa Laju Angka Rata- Indeks Indeks
Pengelu Persentase
datan Pertum Harap Rata Kedalaman Keparahan Gizi Buruk
aran per IPM Penduduk
Pendu buhan an Lama Kemis Kemis Balita
Kapita Miskin
duk Penduduk Hidup Sekolah kinan kinan
Anti-image Kepadatan Penduduk .068 .067 -.047 -.025 -.041 .022 .012 -.030 -.002 -.034
Covariance Laju Pertumbuhan Penduduk .067 .184 -.080 -.024 -.099 .026 -.014 .024 .031 -.172
Angka Harapan Hidup -.047 -.080 .114 .025 .062 -.034 -.021 .034 .009 .063
Rata-Rata Lama Sekolah -.025 -.024 .025 .012 .019 -.013 -.010 .012 .006 .012
Pengeluaran per Kapita -.041 -.099 .062 .019 .308 -.035 .049 -.141 -.045 .143
IPM .022 .026 -.034 -.013 -.035 .016 .006 .003 -.003 -.014
Indeks Kedalaman Kemiskinan .012 -.014 -.021 -.010 .049 .006 .070 -.102 -.054 .051
Indeks Keparahan Kemiskinan -.030 .024 .034 .012 -.141 .003 -.102 .438 .074 -.047
Persentase Penduduk Miskin -.002 .031 .009 .006 -.045 -.003 -.054 .074 .049 -.054
Gizi Buruk Balita -.034 -.172 .063 .012 .143 -.014 .051 -.047 -.054 .508
Anti-image Kepadatan Penduduk .586a .598 -.534 -.857 -.280 .670 .181 -.175 -.034 -.182
Correlation Laju Pertumbuhan Penduduk .598 .554a -.554 -.507 -.417 .465 -.123 .084 .329 -.564
Angka Harapan Hidup -.534 -.554 .611a .666 .332 -.781 -.239 .153 .125 .263
a
Rata-Rata Lama Sekolah -.857 -.507 .666 .601 .306 -.904 -.338 .158 .243 .146
Pengeluaran per Kapita -.280 -.417 .332 .306 .620a -.499 .332 -.385 -.363 .361
IPM .670 .465 -.781 -.904 -.499 .621a .179 .036 -.096 -.150
Indeks Kedalaman Kemiskinan .181 -.123 -.239 -.338 .332 .179 .541a -.583 -.929 .271
Indeks Keparahan Kemiskinan -.175 .084 .153 .158 -.385 .036 -.583 .542a .507 -.099
Persentase Penduduk Miskin -.034 .329 .125 .243 -.363 -.096 -.929 .507 .656a -.345
Gizi Buruk Balita -.182 -.564 .263 .146 .361 -.150 .271 -.099 -.345 .458a
a. Measures of Sampling Adequacy(MSA)

Sumber: Output SPSS, 2014


Tabel 3.11
Anti-image Matrices
Laju Angka Rata-Rata Indeks Indeks Persentase
Kepadatan Pertumbuhan Harapan Lama Pengeluaran Kedalaman Keparahan Penduduk
Penduduk Penduduk Hidup Sekolah per Kapita IPM Kemiskinan Kemiskinan Miskin
Anti-image Kepadatan Penduduk .071 .084 -.048 -.026 -.037 .023 .018 -.035 -.007
Covariance Laju Pertumbuhan Penduduk .084 .270 -.093 -.030 -.086 .031 .005 .012 .021
Angka Harapan Hidup -.048 -.093 .123 .026 .055 -.035 -.032 .043 .020
Rata-Rata Lama Sekolah -.026 -.030 .026 .013 .018 -.013 -.012 .013 .008
Pengeluaran per Kapita -.037 -.086 .055 .018 .354 -.037 .043 -.149 -.038
IPM .023 .031 -.035 -.013 -.037 .017 .008 .002 -.005
Indeks Kedalaman Kemiskinan .018 .005 -.032 -.012 .043 .008 .076 -.106 -.060
Indeks Keparahan Kemiskinan -.035 .012 .043 .013 -.149 .002 -.106 .443 .080
Persentase Penduduk Miskin -.007 .021 .020 .008 -.038 -.005 -.060 .080 .056
Anti-image Kepadatan Penduduk .578a .611 -.512 -.854 -.233 .661 .243 -.198 -.105
Correlation Laju Pertumbuhan Penduduk .611 .638a -.509 -.520 -.277 .466 .037 .034 .173
Angka Harapan Hidup -.512 -.509 .615a .657 .264 -.777 -.335 .186 .238
Rata-Rata Lama Sekolah -.854 -.520 .657 .589a .275 -.902 -.396 .176 .316
Pengeluaran per Kapita -.233 -.277 .264 .275 .703a -.482 .260 -.377 -.272
IPM .661 .466 -.777 -.902 -.482 .615a .231 .021 -.160
Indeks Kedalaman Kemiskinan .243 .037 -.335 -.396 .260 .231 .540a -.581 -.924
Indeks Keparahan Kemiskinan -.198 .034 .186 .176 -.377 .021 -.581 .543a .507
Persentase Penduduk Miskin -.105 .173 .238 .316 -.272 -.160 -.924 .507 .678a
a. Measures of Sampling Adequacy(MSA)
Sumber: Output SPSS, 2014