MASTERAN Semester 4 - Metode Analisis Perencanaan - Tugas Besar

Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
LAPORAN TUGAS BESAR METODE ANALISIS PERENCANAAN

(STUDI KASUS: ALTERNATIF JENIS PABRIK DALAM PENYEDIAAN LAPANGAN
KERJA PADA TAHUN 2040 DI KECAMATAN SIDOHARJO, KABUPATEN SRAGEN,
DENGAN METODE STATISTIK DESKRIPTIF, CROSSTABS, TRENDLINE, REGRESI
LINEAR, DAN AHP)
Disusun untuk Memenuhi Tugas Mata Kuliah Metode Analisis Perencanaan

TKP342
DISUSUN OLEH:
NAMA : ABDURRAHMAN ZAKI
NIM : 21040116130098
KELAS : A
DEPARTEMEN PERENCANAAN WILAYAH DAN KOTA

FAKULTAS TEKNIK UNIVERSITAS DIPONEGORO
SEMARANG
2018
DAFTAR ISI
DAFTAR ISI............................................................................................................................... i
II. PENDAHULUAN .............................................................................................................. 1
III. KAJIAN LITERATUR ................................................................................................... 1
IV. GAMBARAN KASUS/WILAYAH ............................................................................... 5
V. ANALISIS .......................................................................................................................... 7
VI. KESIMPULAN ............................................................................................................. 14
VII. DAFTAR PUSTAKA ................................................................................................... 15
VIII. LAMPIRAN .................................................................................................................. 16
i
I. PENDAHULUAN
Lapangan pekerjaan merupakan motor bagi keberlangsungan aktivitas
perkembangan wilayah. Ketidaktersediaan lapangan kerja akan menyebabkan penduduk
melakukan out-migration, atau meningkatkan kemungkinan pertambahan jumlah
pengangguran di wilayah. Pertumbuhan penduduk yang terjadi secara terus-menerus, akan
menyebabkan pertambahan angkatan kerja secara terus-menerus, dikarenakan kelompok
usia kerja akan selalu bertambah (konteks pertumbuhan penduduk di Indonesia).
Pertambahan penduduk usia kerja, perlu diiringi dengan upaya penyediaan lapangan kerja.
Penulis menggagas penyediaan lapangan kerja berupa pabrik di Kecamatan Sidoharjo,
Kabupaten Sragen, untuk mewadahi pertambahan penduduk usia kerja di kecamatan tersebut.
Tahapan pengenalan masalah dalam laporan ini dilakukan melalui metode statistik
deskriptif dan tabulasi silang (crosstabs). Tahap ini dilakukan terhadap data jumlah
penduduk total dan jumlah penduduk yang bekerja di Kecamatan Sidoharjo. Kemdudian
tahapan identifikasi perkembangan dilakukan melalui metode trendline untuk
memproyeksikan jumlah penduduk di Kecamatan Sidoharjo pada tahun 2040, kemudian
melalui metode regresi untuk mengetahui jumlah penduduk bekerja pada tahun 2040
(dengan menginput hasil trendline pada x di persamaan regresi). Kemudian tahapan
perumusan alternatif pemilihan jenis pabrik di Kecamatan Sidoharjo dilakukan melalui
metode AHP.
II. KAJIAN LITERATUR

Bagian kajian literatur ini mengulas metode-metode yang digunakan dalam
portofolio ini berdasarkan literatur yang dapat diakses secara daring. Sebagai berikut kajian
literatur mengenai metode statistik deskriptif, crosstabs, trendline, regresi linear, dan AHP.
Statistik Deskriptif
Statistik deskriptif merupakan kegiatan penyajian data dalam ukuran, variasi, dan
bentuk datanya. Ukuran data dijelaskan dalam mean, median, dan modus. Variasi dijelaskan
dalam range, varians, standar deviasi, dan keofisien variasi. Bentuk data digambarkan
melalui skewness dan kurtosis (Santoso, 2010). Yang dibaca melalui output statistik
deskriptif dalam SPSS adalah range (kisaran masing-masing variabel), minimum (nilai
minimum tiap variabel), maximum (nilai maksimum tiap variabel), mean (rata-rata tiap
variabael), standard error, standar deviation (simpangan baku tiap variabel), dan variance
(varian tiap variabel) (Janie, 2012).
1
Metode Crosstabs
Metode tabulasi silang merupakan cara analisis kategori data yang menggunakan
data nominal, ordinal, interval, atau kombinasi di antaranya. Tabulasi silang dipakai untuk
menghitung banyak kasus yang memiliki kombinasi nilai-nilai yang berbeda dari dua
variabel dan menghitung harga-harga statistik serta ujinya. Metode ini mentabulasikan
beberapa variabel yang berbeda ke dalam suatu matriks yang hasilnya disajikan dalam suatu
tabel dengan variabel yang disusun dalam row dan column. Variable tersebut adlaah variabel
kategori bebas pada satu bagian dan variabel kategori prediktor pada bagian lainnya. Tabel
tersebut akan mengindikasikan hubungan bivariat antara pengukurang ketergantungan pada
setiap variabel prediktor yang terpisah (Indratno & Irwinsyah, 1998).
Metode tabulasi silang akan membantu dalam menyelesaikan penelitian yang
berkaitan dengan penentuan hubungan antarvariabel atau faktor yang diperoleh dari data
kualitatif. Kemudian metode ini berguna dalam menentukan besar derajat asosiasi
antarvariabel/faktor, dan dalam menentukan variabel terikat dan variabel bebas dari dua
variabel yang dianalisis.
Metode Trendline
Metode trendline merupakan metode peramalan sederhana yang berdasar pada
pemikiran bahwa peramalan yang reliabel bisa dilakukan dengan pemodelan pola data pada
waktu-waktu sebelumnya, lalu diekstrapolasikan ke masa yang akan datang. Analisis
trendline akan terlebih dahulu melihat kecenderungan dinamika data pada periode
sebelumnya (Junaidi, 2014).
Model trendline yang umum digunakan adalah model trendline linear dan model
trendline eksponensial. Trendline linear yaitu kecenderungan data ketika dinamikanya
berdasarkan waktu adalah tetap/konstan. Trendline linear memiliki persamaan sebagai
berikut:
𝑌𝑡 = 𝛽0 + 𝛽1𝑇
Keterangan:
Yt : nilai data pada tahun t;
𝛽0 : konstanta, yang menunjukkan nilai data pada tahun awal;
𝛽1 : besar perubahan/dinamika data dar isuatu periode ke periode lainnya;
T : tahun
Model trendline eksponensial memiliki kecenderungan data ketika dinamikanya semakin
lama semakin bertambah secara eksponensial. Model trendline ini memiliki persamaan
sebagai berikut:
2
Metode Regresi
Regresi linier berganda berguna dalam pengujian pengaruh dua variabel
independen/bebas atau lebih, terhadap satu variabel dependen/terikat. Regresi linear
memiliki asumsi berupa adanya hubungan satu garus lurus antara variabel bebas dengan
masing-masing predikstornya, yang diketahui dalam persamaannya (Janie, 2012). Suatu
garis regresi dapat dinyatakan dalam persamaan matematis. Garis regresi linear dengan satu
ubahan prediktor memiliki persamaan:
𝑌 = 𝑎𝑋 + 𝐾
Keterangan:
Y : kriterium;
X : prediktor;
a : bilangan koefisien prediktor;
K : bilangan konstan;
Garis regresi linear dengan dua ubahan prediktor memiliki persamaan sebagai berikut:
𝑌 = 𝑎1𝑋1 + 𝑎2𝑋2 + 𝐾
Dan untuk m ubahan prediktor, persamaannya adalah:
𝑌 = 𝑎1𝑋1 + 𝑎2𝑋2 + ⋯ + 𝑎𝑚𝑋𝑚 + 𝐾
Keterangan:
X1, X2, ..., Xm : prediktor 1, prediktor 1, ..., preditor ke-m;
A1, a2, ..., am : koefisien prediktor 1, koefisien prediktor 2, ..., koefisien prediktor ke-m;
K : bilangan konstan;
Empat hal pokok dalam analisis regresi adalah mencari korelasi antara kriterium
dengan prediktor, menguji apakah korelasi itu signifikan atau tidak, mencari persamaan garis
regresinya, dan menemukan sumbangan relatif antara sesama prediktor (jika prediktor lebih
dari satu) (Hadi, 2004).
Metode AHP
AHP (Analytical Hierarchy Process) merupakan suatu metode pengambilan
keputusan dalam menggunakan beberapa variabel dengan proses analisis
hierarkis/bertingkat. Analisis dengan metode AHP dilakukan dengan memberi nilai
prioritas/bobot untuk masing-masing variabel, lalu melakukan perbandingan berpasangan
(pairwise comparison) terhadap seluruh variabel dan alternatif yang dipertimbangkan (Saaty,
3
1993). AHP adalah model pengambilan keputusan yang sifatnya menyeluruh/komprehensif.

AHP memiliki kapabilitas dalam memberikan solusi bagi masalah yang multiobjektif dan
multikriteria, berdasarkan perbandingan preferensi dari tiap elemen dalam hierarki/tingkatan
(Suryadi & Ramdhani, 2000).
Kelebihan metode AHP sebagai berikut:
 Memiliki struktur yang berhierarki, sebagai konsekuensi dari kriteria yang dipilih,
sampai dengan subsubkriteria yang paling dalam;
 Menimbang validitas output sampai dengna batas toleransi inkonsistensi berbagai
kriteria dan alternatif yang dipilih oleh para pengambil keputusan;
 Menimbang ketahanan output analisis pengambilan keputusan;
Suryadi dan Ramdhani (2000) mengemukakan langkah-langkah yang digunakan
dalam metode AHP sebagai berikut:
1. Menyusun hierarki dari permasalahan yang dihadapi;
2. Penilaian kriteria dan alternatif;
3. Penentuan prioritas; dan
4. Konsistensi logis.
4
III. GAMBARAN KASUS/WILAYAH

Wilayah studi dalam laporan ini adalah Kecamatan Sidoharjo, Kabupaten Sragen.
Sebagai berikut peta administrasi Kecamatan Sidoharjo:
Sumber: BAPPEDA Kab. Sragen, 2016

Gambar Peta Administrasi Kecamatan Sidoharjo
Kecamatan Sidoharjo terdiri dari 12 (dua belas) desa, dengan pusat pemerintahan di
Desa Jetak. Luas kecamatan ini adalah sekitar 4.589,96 Ha, terdiri dari 3.053,12 Ha (66,52%)
tanah sawah dan 1.536,84 Ha (33,48%) tanah kering. Kecamatan Sidoharjo pada thaun 2017
memiliki jumlah penduduk sebanyak 52.641 jiwa (25.830 laki-laki dan 26.811 perempuan),
sex ratio sebesar 963 laki-laki/1.000 perempuan, dependency ratio 46/100 orang,
pertumbuhan penduduk total 0,31%, pertumbuhan penduduk alami 0,37%, dan rata-rata
jumlah penduduk tiap rumah tangga adalah 3 orang (BPS, 2017).
Kasus yang diangkat dalam laporan ini adalah kesenjangan (gap) antara jumlah
penduduk bekerja (data penduduk usia 10 tahun ke atas yang bekerja) dengan data jumlah
penduduk di Kecamatan Sidoharjo, Kabupaten Sragen, pada tahun 2040. Kasus ini
menggambarkan ramalan jumlah penduduk pengangguran di wilayah studi pada tahun 2040,
yang kemudian ditindaklanjuti dengan alternatif kebijakan penyediaan pabrik sebagai
lapangan pekerjaan di wilayah studi. Alternatif jenis pabrik yang digagas adalah pabrik
garmen, pabrik penggilingan padi, pabrik tepung beras, pabrik pakan ternak, pabrik
5
peternakan ayam, pabrik pengemasan telur, pabrik pengolahan daging ayam. Gagasan
alternatif pabrik ini merupakan pabrik-pabrik yang cocok dengan karakteristik Kecamatan
Sidoharjo dengan komoditas utama di sektor pertanian padi dan peternakan ayam.
Tahapan pengenalan masalah dalam laporan ini dilakukan melalui metode statistik
deskriptif dan tabulasi silang (crosstabs). Tahapan identifikasi perkembangan dilakukan
melalui metode trendline untuk memproyeksikan jumlah penduduk di Kecamatan Sidoharjo
pada tahun 2040, kemudian melalui metode regresi untuk mengetahui jumlah penduduk
bekerja pada tahun 2040 (dengan menginput hasil trendline pada x di persamaan regresi).
Kemudian tahapan perumusan alternatif dilakukan melalui metode AHP.
Data mentah yang digunakan oleh penulis adalah data penduduk 10 tahun ke atas
yang bekerja dan data total penduduk Kecamatan Sidoharjo, Kabupaten Sragen, pada tahun
2010-2016. Data tersebut diperoleh dari Dokumen Dalam Angka yang diterbitkan oleh BPS
Kabupaten Sragen, sebagai berikut:
Tabel Jumlah Penduduk dan Penduduk Bekerja di Kec. Sidoharjo
Variabel Terikat Variabel Bebas
Tahun Penduduk 10 Tahun
Total Penduduk
ke Atas yang Bekerja
2010 24,976 50,715
2011 25,951 50,862
2012 26,186 51,003
2013 26,560 51,130
2014 26,132 51,241
2015 26,847 51,337
2016 27,262 51,414
Sumber: BPS, 2011-2017
6
IV. ANALISIS
Substansi proses dalam analisis ini mencakup tahap pengenalan masalah,
identifikasi perkembangan, dan perumusan alternatif, yang digambarkan dalam diagram
berikut:
Sumber: Analisis penulis, 2018

Gambar Diagram Substansi Proses
Tahap Pengenalan Masalah: Statistik Deskriptif

Descriptive Statistics
N Range Minimum Maximum Mean
Statistic Statistic Statistic Statistic Statistic Std. Error
BEKERJA 7 2286 24976 27262 26273.43 276.169

JML_PENDUDUK 7 699 50715 51414 51100.29 96.341
Valid N (listwise) 7
Tabel ini merupakan tabel statistik deskriptif, menunjukkan bahwa terdapat 7 (tujuh)
data untuk masing-masing variabel bekerja dan jumlah penduduk. Jangkauan (selisih data
tertinggi dan terendah) untuk jumlah penduduk bekerja adalah 2.286 jiwa, dan jangkauan
untuk jumlah penduduk total adalah 699 jiwa. Pada variabel bekerja, nilai minimum adalah
24.976 jiwa dan nilai maksimum adalah 27.262 jiwa. Pada variabel jumlah penduduk, nilai
minimum adalah 50.715 jiwa dan nilai maksimum adalah 51.414 jiwa. Rata-rata untuk
variabel bekerja adalah 26.273,43, dan untuk variabel jumlah penduduk adalah 51.100,29.
Std. Deviation Variance Skewness Kurtosis

Statistic Statistic Statistic Std. Error Statistic Std. Error
730.674 533884.619 -.624 .794 1.010 1.587

254.893 64970.571 -.348 .794 -1.136 1.587
7
Standar deviasi (simpangan baku) adalah akar kuadrat dari varian. Untuk variabel
bekerja, standar deviasinya sebesar 730,674, dengan varian sebesar 533.884,619. Sedangkan
untuk variabel jumlah penduduk, standar deviasinya sebesar 254,893 dengan varian sebesar
64.970,571. Nilai skewness menunjukkan angka negatif, hal ini berarti bahwa untuk kedua
variabel, nilai modusnya lebih besar dari nilai mean/rata-ratanya. Hal ini digambarkan pada
kurva paling kiri sebagai berikut:
Normalitas data diketahui apabila rasio skewness (skewness/standard error

skewness) dan rasio kurtosis (kurtosis/standard error kurtosis) di dalam rentang -2 sampai
dengan 2.
0,624
𝑅𝑎𝑠𝑖𝑜 𝑠𝑘𝑒𝑤𝑛𝑒𝑠𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑏𝑒𝑘𝑒𝑟𝑗𝑎 = − 0,794 = 0,79
0,348
𝑅𝑎𝑠𝑖𝑜 𝑠𝑘𝑒𝑤𝑛𝑒𝑠𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑒𝑛𝑑𝑢𝑑𝑢𝑘 = − 0,794 = 0,44
1,010
𝑅𝑎𝑠𝑖𝑜 𝑘𝑢𝑟𝑡𝑜𝑠𝑖𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑏𝑒𝑘𝑒𝑟𝑗𝑎 = − = 0,64
1,587
−1,136
𝑅𝑎𝑠𝑖𝑜 𝑠𝑘𝑒𝑤𝑛𝑒𝑠𝑠 𝑘𝑢𝑠𝑡𝑜𝑠𝑖𝑠 𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑒𝑛𝑑𝑢𝑑𝑢𝑘 = − = 0,72
1,587
Seluruh hasil perhitungan rasio skewness dan rasio kurtosis menunjukkan dalam rentang -2
sampai dengan 2, artinya bahwa kedua variabel tersebut terdistribusi normal.
Tahap Pengenalan Masalah: Crosstabs

Tahapan crosstabs diawali dengan pembuatan kode untuk masing-masing interval
data tiap variabel, ditujukan supaya hasil output SPSS lebih mudah dibaca. Kode tiap
interval variabel adalah:
Skor Variabel Interval Variabel Skor Variabel Interval Variabel
Bekerja Bekerja Jumlah Penduduk Jumlah Penduduk
1 24900-26000 1 50700-51000
2 26001-26500 2 51001-51300
3 26501-27500 3 51301-51500
8
Dari kode yang telah disusun sebalumnya, data mentah yang ada selanjutnya dikonversi
sesuai dengan kode sebagaimana berikut:
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
BEKERJA *
7 100.0% 0 0.0% 7 100.0%
JML_PENDUDUK
Tabel ini menunjukkan bahwa jumlah data yang berhasil diproses adalah 100%
(total 7 N data).
BEKERJA * JML_PENDUDUK Crosstabulation
JML_PENDUDUK
1 2 3 Total
BEKERJA 1 Count 2 0 0 2
% of Total 28.6% 0.0% 0.0% 28.6%
Residual 1.4 -.9 -.6
2 Count 0 2 0 2
% of Total 0.0% 28.6% 0.0% 28.6%
Residual -.6 1.1 -.6
3 Count 0 1 2 3
% of Total 0.0% 14.3% 28.6% 42.9%
Residual -.9 -.3 1.1

Total Count 2 3 2 7
% of Total 28.6% 42.9% 28.6% 100.0%

Tabel ini menandai bahwa terdapat 28.6% data variabel bekerja dengan skor 1
dengan karakter variabel jumlah penduduk skor 1, 28.6% data variabel bekerja dengan skor
2 dengan karakter variabel jumlah penduduk skor 2, 28.6% data variabel bekerja dengan
skor 3 dengan karakter variabel jumlah penduduk skor 3 + 14.9% data variabel bekerja
dengan skor 3 dengan karakter variabel jumlah penduduk skor 2. Hal ini berarti bahwa
semakin tinggi skor variabel bekerja, maka semakin tinggi pula skor variabel jumlah
9
penduduk. Diartikan bahwa diduga terdapat hubungan yang erat antara kedua variabel
tersebut. Keeratan hubungan ini akan dibuktikan dengan tabel berikutnya.
Chi-Square Tests
Asymp. Sig. (2-

Value df sided)
Pearson Chi-Square 10.111a 4 .039

Likelihood Ratio 11.287 4 .024
Linear-by-Linear Association 4.941 1 .026
N of Valid Cases 7
a. 9 cells (100.0%) have expected count less than 5. The minimum

expected count is .57.
Pada tabel ini, yang diperhatikan adalah kolom “Asymp. Sig. (2-sided)”, dengan
baris “Pearson Chi-Square”. Sel tersebut menunjukkan nilai 0,039 (kurang dari 0,05) sebagai
nilai Chi-Square. Dengan nilai Chi-Square kurang dari 0,05, diartikan bahwa ada hubungan
antara variabel bekerja dengan variabel jumlah penduduk.
Tahap Identifikasi Perkembangan: Trendline

Trendline yang digunakan adalah trendline dengan nilai R2 yang paling besar. Atau
dengan kata lain, dengan nilai R2 yang paling mendekati 1 (satu). Sebagai berikut hasil
trendline eksponensial, linear, power, dan logarithmic:
T RE NDL INE E XPO NE NS IAL

55,000
54,000
51,414
51,337
51,241
53,000
51,130
51,003
50,862
50,715
y = 50632e0.0023x
52,000 R² = 0.9883
51,000
50,000
49,000
48,000
2032
2036
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
2020
2021
2022
2023
2024
2025
2026
2027
2028
2029
2030
2031
2033
2034
2035
2037
2038
2039
2040
10
50,000
50,200
50,400
50,600
50,800
51,000
51,200
51,400
51,600
51,800
52,000
52,200
50,000
50,200
50,400
50,600
50,800
51,000
51,200
51,400
51,600
51,800
52,000
52,200
48,000
49,000
50,000
51,000
52,000
53,000
54,000
55,000
2010 50,715 2010 50,715 2010 50,715

2011 50,862 2011 50,862 2011 50,862
2012 51,003 2012 51,003 2012 51,003
2013 51,130 2013 51,130 2013 51,130
2014 51,241 2014 51,241 2014 51,241
2015 51,337 2015 51,337 2015 51,337
2016 51,414 2016 51,414 2016 51,414
2017 2017 2017
2018 2018 2018
2019 2019 2019
2020 2020 2020
2021 2021 2021
2022 2022 2022
2023 2023 2023
2024 2024 2024
2025 2025 2025
2026 2026 2026
2027 2027 2027
2028 2028 2028
T RE NDL INE PO WE R
T RE NDL INE L INE AR
2029 2029 2029

2030 2030 2030
T RE NDL INE L O GARIT H MIC

2031 2031 2031
2032 2032 2032
2033 2033 2033
2034 2034 2034
2035 2035 2035
2036 2036 2036
2037 2037 2037
R² = 0.9676
R² = 0.9887
2038 2038 2038

R² = 0.9682
2039 2039 2039
y = 366.12ln(x) + 50654
y = 117.32x + 50631
y = 50655x0.0072
2040 2040 2040
11
Masing-masing trendline di atas dirangkum persamaan/fungsi y-nya dan R-

kuadratnya dalam tabel berikut, guna memudahkan pembaca dalam mengetahui jenis
trendline dengan nilai R-kuadrat yang paling mendekati 1 (satu):
Proyeksi Jumlah Penduduk Kecamatan Sidoharjo
Nama Trendline Fungsi y R-kuadrat
Linear y = 117.32x + 50631 R² = 0.9887
Exponential y = 50632e0.0023x R² = 0.9883
Power y = 50655x0.0072 R² = 0.9682
Logarithmic y = 366.12ln(x) + 50654 R² = 0.9676
Diketahui bahwa trendline linear memiliki R-kuadrat yang paling tinggi

dibandingkan seluruh trendline lainnya, sehingga persamaan trendline ini yang akan
digunakan dalam memproyeksikan jumlah penduduk di Kecamatan Sidoharjo, Kabupaten
Sragen, sampai dengan tahun 2040. Hasil proyeksi yang dimaksud oleh penulis sebagai
berikut:
Penduduk Kec.
Tahun Sidoharjo
y = 117.32x + 50631
2017 51,570
2018 51,687
2019 51,804
2020 51,922
2021 52,039
2022 52,156
2023 52,273
2024 52,391
2025 52,508
2026 52,625
2027 52,743
2028 52,860
2029 52,977
2030 53,095
2031 53,212
12
Penduduk Kec.
Tahun Sidoharjo
y = 117.32x + 50631
2032 53,329
2033 53,447
2034 53,564
2035 53,681
2036 53,799
2037 53,916
2038 54,033
2039 54,151
2040 54,268
Hasil proyeksi di atas memberikan hasil proyeksi jumlah penduduk Kecamatan
Sidoharjo, Kabupaten Sragen, sebanyak 54.268 jiwa pada tahun 2040. Hasil proyeksi ini
untuk tahap selanjutnya akan dimasukkan ke dalam persamaan hasil regresi, dengan tujuan
untuk memprediksi jumlah penduduk yang bekerja pada tahun 2040.
Tahap Identifikasi Perkembangan: Regresi

Mean Std. Deviation N
BEKERJA 26273.43 730.674 7
JML_PENDUDU
51100.29 254.893 7
K
Tabel ini berprinsip statistik deskriptif, menandai bahwa rata-rata penduduk yang
bekerja adalah 26.273,43 jiwa dan rata-rata jumlah penduduk adalah 51.100,29 jiwa, dengan
masing-masing variabel terdiri dari 7 (tujuh) tahun data.
13
Correlations
JML_PENDU
BEKERJA DUK
Pearson Correlation BEKERJA 1.000 .913
JML_PENDUDU
.913 1.000
K
Sig. (1-tailed) BEKERJA . .002
JML_PENDUDU
.002 .
K
N BEKERJA 7 7
JML_PENDUDU
7 7
K
Tabel ini akan menandai ada-tidaknya hubungan antarvariabel. Pada Pearson
correlation, hubungan antara variabel bekerja dan jumlah penduduk ditandai dengan angka
0.913 (mendekati 1), artinya bahwa ada hubungan kuat antara kedua variabel tersebut.
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 JML_PENDU
. Enter
DUKb
a. Dependent Variable: BEKERJA
b. All requested variables entered.
Tabel ini menandai bahwa metode yang digunakan dalam metode regresi ini adalah
Enter, berarti bahwa semua variabel bebas yang diinput akan diproses dalam analisis regresi
ini.
14
Model Summaryb
Change Statistics
Adjusted R Std. Error of R Square Durbin-
Model R R Square Square the Estimate Change F Change df1 df2 Sig. F Change Watson
1 .913a .833 .799 327.356 .833 24.892 1 5 .004 2.137
a. Predictors: (Constant), JML_PENDUDUK
b. Dependent Variable: BEKERJA
Tabel di atas ini dapat digunakan untuk menilai persentase pengaruh variabel bebas (variabel bekerja) terhadap variabel terikatnya (variabel
jumlah penduduk), melalui angka R Square Change. Angka R Square Change di atas adalah 0.833, artinya 83,3% variabel terikat dapat dijelaskan
dengan variabel bebasnya. Sedangkan sisanya (100% - 83,3% = 16,7%) dipengaruhi oleh variabel lain yang tidak dimasukkan, atau yang tidak
terdapat dalam model.
Tabel di atas juga akan menandai uji asumsi autokorelasi, dengan mendeteksi besar DW (Durbin-Watson). Nilai DW pada tabel di atas
adalah, 2,137. Nilai ini dibandingakn dengan tabel DW, dengan nilai N (banyak responded atau banyak kasus yang dikumpulkan datanya) adalah
7 (tujuh), dan k (jumlah variabel bebas) adalah 1 (satu, hanya data jumlah penduduk saja). Tabel DW dengan jumlah N dan k tersebut menunjukkan
dL sebesar 0.6996 dan dU sebesar 1.3564 sebagaimana tabel berikut:
1
Sebagai berikut range nilai yang diolah dari data dL dan dU di tersebut:
0
dL: 0.6996
dU: 1.3564
4-dU: 2.6436
4-dL: 3.3004
4
Nilai DW sebesar 2,137 (berasal dari tabel di atas) terletak di antara dU dan 4-dU. Kondisi seperti ini (nilai DW terletak di antara dU dan
4-dU) dimaknai bahwa tidak ada autokorelasi (karena masuk dalam daerah bebas autokorelasi negatif maupun positif).
2
Kemudian, penulis akan menguji keterhandalan model melalui tabel ANOVA berikut:
ANOVAa
Sum of
Model Squares df Mean Square F Sig.
1 Regression 2667499.096 1 2667499.096 24.892 .004b
Residual 535808.619 5 107161.724
Total 3203307.714 6
b. Predictors: (Constant), JML_PENDUDUK
Untuk melihat keterhandalan model pada tabel ANOVA di atas, dilihat melalui nilai F atau signifikansinya. Pada tabel di atas, nilai
signifikansi adalah 0,004 (kurang dari 0,05 sebagai dasar nilai signifikansi), kondisi ini menandai bahwa variabel bebas (data variabel jumlah
penduduk) dapat digunakan untuk memprediksi variabel terikatnya (data variabel jumlah pekerja).
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) -107398.896 26792.537 -4.009 .010
JML_PENDUDU
2.616 .524 .913 4.989 .004 1.000 1.000
K
3

Tabel di atas ini digunakan untuk menguji multikolinieritas, yang dilihat dari nilai VIF (Variance Inflation Factor). Nilai VIF pada tabel di
atas adalah 1,000 (kurang dari 10), sehingga dimaknai bahwa terbebas dari multikolinieritas, karena angka VIF<10. Tabel di atas juga dapat
menghasilkan persamaan regresinya, yang dilihat dari nilai B-nya, yang menghasilkan persamaan regresi berikut:
𝑦 = −107398.896 + 2,616 × Jumlah Penduduk
Persamaan di atas menunjukkan bahwa arah hubungan antara jumlah penduduk dengan variabel terikatnya adalah positif, karena terdapat
tanda plus di depan nilai B untuk variabel jumlah penduduk. Dari persamaan di atas, jumlah penduduk yang bekerja pada tahun 2040 diperoleh
dengan memasukkan data hasil proyeksi jumlah penduduk tahun 2040 (54268 jiwa) ke dalam persamaan di atas, sebagai berikut:
𝑦 = −107398.896 + 2,616 × 54268 = −107398.896 + 141965.088 = 34566,192 jiwa (dibulatkan menjadi 34566 jiwa)
34566 jiwa adalah prediksi jumlah penduduk yang bekerja di Kecamatan Sragen. Data jumlah pengangguran di Kecamatan Sragen diasumsikan
dengan rumus berikut:
𝑃𝑒𝑛𝑔𝑎𝑛𝑔𝑔𝑢𝑟𝑎𝑛 = Jumlah Penduduk + Penduduk yang Bekerja = 54268 − 34566 = 19702 jiwa (pengangguran)
Diprediksikan terdapat 19702 pengangguran, atau lapangan kerja baru yang perlu disediakan sampai dengan tahun 2040.
4
Collinearity Diagnosticsa
Variance Proportions
Condition JML_PENDU
Model Dimension Eigenvalue Index (Constant) DUK
1 1 2.000 1.000 .00 .00
2 1.066E-5 433.083 1.00 1.00
Tabel di atas ini digunakan juga untuk menguji kolinieritas (nilai CI harus kurang
dari 30 untuk dikatakan bebas dari multikolinieritas). Nilai CI pada tabel di atas ditandai
dengan angka 1 (satu), artinya bahwa asumsi bebas dari multikolinieritas terpenuhi.
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value 25265.57 27094.07 26273.43 666.771 7
Residual -509.521 300.899 .000 298.833 7
Std. Predicted Value -1.512 1.231 .000 1.000 7
Std. Residual -1.556 .919 .000 .913 7
Tabel di atas ini digunakan untuk mengetahui nilai maksimum, minimum, rata-rata,
standar deviasi, dan jumlah data.
Charts
1
Chart di atas digunakan untuk menguji normalitas data. Dikatakan normal apabila
titik-titiknya mengikuti garis diagonalnya. Apabila titik-titik tersebut merapat pada garis
diagonal tersebut, maka ia terdistribusi normal.
Chart di atas digunakan untuk menguji heteroskedastisitasnya, dengan melihat

distribusi sebaran titik-titiknya. Jika sebaran titik-titiknya tidak membentuk sebaran pola
tertentu, maka dapat dikatakan bahwa ia terbebas dari heteroskesdasitas, atau dengan kata
lain, ia bersifat homoskesdasitas.
Tahap Perumusan Alternatif: AHP

Tujuan: Alternatif Jenis Pabrik untuk Menyediakan 19702 Lapangan Pekerjaan
sampai dengan Tahun 2040 di Kecamatan Sidoharjo, Kabupaten Sragen.
Alternatif 1: Pabrik garmen;
Alternatif 2: Pabrik penggilingan padi;
Alternatif 3: Pabrik tepung beras;
Alternatif 4: Pabrik pakan ternak;
Alternatif 5: Pabrik peternakan ayam;
Alternatif 6: Pabrik pengemasan telur;
Alternatif 7: Pabrik pengolahan daging ayam;
Kriteria 1: Keramahan terhadap lingkungan;
Kriteria 2: Kesesuaian dengan tingkat pendidikan masyarakat lokal;
Kriteria 3: Kemendesakan kontribusi terhadap Provinsi Jawa Tengah;
2
Kriteria 4: Multiplier effect di lokasi setempat yang akan timbul;

Kriteria 5: Kapasitas penyediaan tenaga kerja baru;
Penentuan skor dalam form analisis AHP dilakukan berdasar pada skala berikut:
Pada halaman berikutnya adalah hasil pengisian form skala tingkat kepentingan
antarkriteria.
3
Factor weighting score

Equ
Factor More important than Less important than Factor
al
9 8 7 6 5 4 3 2 1 2 3 4 5 6 7 8 9
Kesesuaian dengan tingkat pendidikan
Keramahan terhadap lingkungan V masyarakat lokal
Kemendesakan kontribusi terhadap Provinsi
Keramahan terhadap lingkungan V Jawa Tengah
Multiplier effect di lokasi setempat yang akan
Keramahan terhadap lingkungan V timbul
Keramahan terhadap lingkungan V Dominasi komoditas lokal eksisting
Keramahan terhadap lingkungan V Kapasitas penyediaan tenaga kerja baru
Kesesuaian dengan tingkat pendidikan Kemendesakan kontribusi terhadap Provinsi
masyarakat lokal V Jawa Tengah
Kesesuaian dengan tingkat pendidikan Multiplier effect di lokasi setempat yang akan
masyarakat lokal V timbul
masyarakat lokal V Dominasi komoditas lokal eksisting
masyarakat lokal V Kapasitas penyediaan tenaga kerja baru
Kemendesakan kontribusi terhadap Provinsi Multiplier effect di lokasi setempat yang akan
Jawa Tengah V timbul
4

Jawa Tengah V Dominasi komoditas lokal eksisting
Jawa Tengah V Kapasitas penyediaan tenaga kerja baru
timbul V Dominasi komoditas lokal eksisting
timbul V Kapasitas penyediaan tenaga kerja baru
Dominasi komoditas lokal eksisting V Kapasitas penyediaan tenaga kerja baru
Skoring pada tabel di atas selanjutnya diinput ke dalam tabel Pair Comparation Matrix pada halaman selanjutnya.
5
Pair Comparation Matrix

Kesesuaian Kemendesakan
Multiplier Kapasitas
dengan tingkat terhadap Dominasi
Keramahan effect di lokasi penyediaan
Jenis Pabrik pendidikan kontribusi komoditas
lingkungan setempat yang tenaga kerja
masyarakat Provinsi Jawa lokal eksisting Priority
akan timbul baru
lokal Tengah Vector
Keramahan lingkungan 1 2 2 7 3 4 0.34
0.5 1 3
masyarakat lokal 7 3 3 0.28
Kemendesakan terhadap kontribusi
0.5 0.333333333 1
Provinsi Jawa Tengah 4 2 2 0.16
Multiplier effect di lokasi setempat
0.142857143 0.142857143 0.25
yang akan timbul 1 0.333333333 0.5 0.04
Dominasi komoditas lokal eksisting 0.333333333 0.333333333 0.5 3 1 2 0.11
Kapasitas penyediaan tenaga kerja baru 0.25 0.33 0.5 2 0.5 1 0.08
TOTAL 2.73 4.14 7.25 24.00 9.83 12.50 1.00
Principle Eigen Value = 6.185981468
Consistensy Index CI = 0.037196294
Consistency Ratio CR = 3.00%
Ket:
CR<10% Hasil konsisten
CR>10% Hasil inkonsisten
Nilai CR pada tabel Pair Comparation Matrix di atas adalah 3% (kurang dari 10%), sehingga hasilnya konsisten dan hasil Priority Vector
(Eigen Vector) dapat digunakan untuk pembobotan pada tahapan akhir. Pada enam halaman selanjutnya, berisi pembobotan tiap alternatif.
6

Pabrik Pabrik Pabrik
Keramahan
Pabrik Pabrik tepung pakan peternakan Pabrik Pabrik pengolahan Priority
lingkungan
garmen penggilingan padi beras ternak ayam pengemasan telur daging ayam Vector
Pabrik garmen 1 0.142857143 0.2 0.2 0.2 0.333333333 0.333333333 0.03
Pabrik penggilingan
padi 7 1 3 5 3 2 5 0.35
Pabrik tepung beras 5 0.333333333 1 2 2 2 4 0.19
Pabrik pakan ternak 5 0.2 0.5 1 1 0.5 2 0.10
Pabrik peternakan
ayam 5 0.333333333 0.5 1 1 0.5 2 0.11
Pabrik pengemasan
telur 3.00 0.50 0.5 2 2 1 4 0.16
Pabrik pengolahan
daging ayam 3.00 0.20 0.25 0.5 0.5 0.25 1 0.06
TOTAL 29.00 2.71 5.95 11.70 9.70 6.58 18.33 1
Principle Eigen
Value = 7.375976853
Consistensy Index
CI = 0.062662809
Consistency Ratio
CR = 4.75%
7

Pabrik Pabrik Pabrik Pabrik
Pabrik penggilingan Pabrik Pabrik pakan peternakan pengemasan pengolahan Priority
masyarakat lokal
garmen padi tepung beras ternak ayam telur daging ayam Vector
Pabrik garmen 1 0.333333333 0.5 0.2 0.2 0.5 0.5 0.04
Pabrik penggilingan padi 3 1 2 0.2 0.333333333 3 2 0.13
Pabrik tepung beras 2 0.5 1 0.25 0.5 2 2 0.10
Pabrik pakan ternak 5 5 4 1 2 6 7 0.38
Pabrik peternakan ayam 5 3 2 0.5 1 3 4 0.22
Pabrik pengemasan telur 2.00 0.33 0.5 0.166666667 0.333333333 1 2 0.07
Pabrik pengolahan daging ayam 2.00 0.50 0.5 0.142857143 0.25 0.5 1 0.06
TOTAL 20.00 10.67 10.50 2.46 4.62 16.00 18.50 1.00
8

Kemendesakan terhadap Pabrik Pabrik Pabrik Pabrik Pabrik Pabrik
kontribusi Provinsi Jawa Pabrik penggilingan tepung pakan peternakan pengemasan pengolahan Priority
Tengah garmen padi beras ternak ayam telur daging ayam Vector
Pabrik garmen 1 0.125 0.5 0.5 0.166666667 0.333333333 0.25 0.04
Pabrik penggilingan padi 8 1 5 4 3 2 3 0.34
Pabrik tepung beras 2 0.2 1 0.5 0.2 0.5 0.5 0.06
Pabrik pakan ternak 2 0.25 2 1 0.333333333 0.333333333 0.5 0.07
Pabrik peternakan ayam 6 0.333333333 5 3 1 3 3 0.25
Pabrik pengemasan telur 3.00 0.50 2 3 0.333333333 1 2 0.14
Pabrik pengolahan daging
ayam 4.00 0.33 2 2 0.333333333 0.5 1 0.11
TOTAL 26.00 2.74 17.50 14.00 5.37 7.67 10.25 1.00
9

Multiplier effect di Pabrik Pabrik Pabrik Pabrik
lokasi setempat yang Pabrik penggilingan tepung Pabrik pakan peternakan pengemasan Pabrik pengolahan Priority
akan timbul garmen padi beras ternak ayam telur daging ayam Vector
Pabrik garmen 1 0.142857143 0.5 0.2 0.25 0.333333333 0.333333333 0.04
Pabrik penggilingan
padi 7 1 7 2 2 5 3 0.34
Pabrik pakan ternak 5 0.5 5 1 2 3 2 0.22
Pabrik peternakan ayam 4 0.5 3 0.5 1 2 2 0.16
Pabrik pengemasan telur 3.00 0.20 2 0.333333333 0.5 1 0.333333333 0.08
Pabrik pengolahan
daging ayam 3.00 0.33 2 0.5 0.5 3 1 0.12
TOTAL 25.00 2.82 20.50 4.73 6.58 14.83 9.17 1.00
10

Dominasi Pabrik Pabrik Pabrik
komoditas lokal Pabrik penggilingan Pabrik tepung Pabrik pakan peternakan pengemasan Pabrik pengolahan Priority
eksisting garmen padi beras ternak ayam telur daging ayam Vector
Pabrik garmen 1 0.111111111 0.142857143 0.142857143 0.25 0.333333333 0.333333333 0.03
Pabrik
penggilingan padi 9 1 2 2 3 5 7 0.33
Pabrik tepung beras 7 0.5 1 2 2 3 5 0.22
Pabrik pakan ternak 7 0.5 0.5 1 2 2 4 0.17
Pabrik peternakan
ayam 4 0.333333333 0.5 0.5 1 4 3 0.13
Pabrik pengemasan
telur 3.00 0.20 0.333333333 0.5 0.25 1 2 0.07
Pabrik pengolahan
daging ayam 3.00 0.14 0.2 0.25 0.333333333 0.5 1 0.05
TOTAL 34.00 2.79 4.68 6.39 8.83 15.83 22.33 1.00
Principle Eigen
Value = 7.29308049
Consistensy Index
CI = 0.048846748
Consistency Ratio
CR = 3.70%
11

Pabrik Pabrik Pabrik Pabrik Pabrik
Kapasitas penyediaan
Pabrik penggilingan tepung pakan peternakan pengemasan Pabrik pengolahan Priority
tenaga kerja baru
garmen padi beras ternak ayam telur daging ayam Vector
Pabrik garmen 1 7 6 5 2 3 2 0.33
Pabrik penggilingan
padi 0.142857143 1 2 0.5 0.2 0.5 0.333333333 0.05
Pabrik tepung beras 0.166666667 0.5 1 0.5 0.166666667 0.333333333 0.25 0.04
Pabrik pakan ternak 0.2 2 2 1 0.333333333 0.5 0.5 0.07
Pabrik peternakan
ayam 0.5 5 6 3 1 3 2 0.24
Pabrik pengemasan
telur 0.33 2.00 3 2 0.333333333 1 0.5 0.10
Pabrik pengolahan
daging ayam 0.50 3.00 4 2 0.5 2 1 0.16
TOTAL 2.84 20.50 24.00 14.00 4.53 10.33 6.58 1.00
Consistency Ratio
CR = 2.06%
12
Overall Composite Weight

Weight Pabrik Pabrik Pabrik Pabrik
(Priority Pabrik penggilingan Pabrik Pabrik peternakan pengemasan pengolahan
Jenis Pabrik Vector) garmen padi tepung beras pakan ternak ayam telur daging ayam
Keramahan lingkungan 0.34 0.03 0.35 0.19 0.10 0.11 0.16 0.06
masyarakat lokal 0.28 0.04 0.13 0.10 0.38 0.22 0.07 0.06
Kemendesakan terhadap kontribusi
Provinsi Jawa Tengah 0.16 0.04 0.34 0.06 0.07 0.25 0.14 0.11
Multiplier effect di lokasi setempat
yang akan timbul 0.04 0.04 0.34 0.05 0.22 0.16 0.08 0.12
Dominasi komoditas lokal eksisting 0.11 0.03 0.33 0.22 0.17 0.13 0.07 0.05
Kapasitas penyediaan tenaga kerja
baru 0.08 0.33 0.05 0.04 0.07 0.24 0.10 0.16
Composite Weight 0.06 0.26 0.13 0.19 0.18 0.12 0.07
Tabel di atas merupakan rangkuman dari hasil bobot tiap kriteria, dan hasil bobot tiap alternatif menurut masing-masing kriterianya, yang
digabungkan dengan prinsip Weighted Overlay pada tabel Overall Composite Weight di atas. Dihasilkan bahwa pabrik penggilingan padi memiliki
nilai Composite Weight paling besar, yaitu 0.26, disusul oleh pabrik pakan ternak (0.19), pabrik peternakan ayam (0.18), pabrik tepung beras
(0.13), pabrik pengemasan telur (0.12), pabrik pengolahan daging ayam (0.07), dan pabrik garmen (0.06). Sehingga yang diprioritaskan dalam
penyediaan 19702 lapangan kerja di Kecamatan Sidoharjo, Kabupaten Sragen, pada tahun 2040 adalah replikasi/pembangunan pabrik penggilingan
padi.
13
V. KESIMPULAN
Data jumlah pekerja dan data jumlah penduduk adalah terdistribusi normal, dari hasil
perhitungan rasio skewness dan rasio kurtosis. Terdapat hubungan antara variabel jumlah
pekerja dengan variabel jumlah penduduk. Semakin tinggi variabel jumlah penduduk, maka
semakin tinggi pula variabel jumlah pekerja.
Trendline yang memiliki nilai R-kuadrat paling tinggi adalah trendline liniear,
dengan R2=0.0887, dan persamaan y = 117.32x + 50631. Diproyeksikan jumlah penduduk
Kecamatan Sidoharjo, Kabupaten Sragen, pada tahun 2040 adalah sejumlah 54.268 jiwa.
Terdapat hubungan kuat antara variabel jumlah pekerja dengan variabel jumlah penduduk.
83,3% variabel jumlah pekerja dapat dijelaskan dengan variabel jumlah penduduk,
16,7% dipengaruhi oleh variable lain selain variabel jumlah penduduk. Variabel jumlah
penduduk dapat digunakan untuk memprediksi variabel jumlah pekerja. Persamaan regresi
yang dihasilkan adalah:
𝑦 = −107398.896 + 2,616 × Jumlah Penduduk
Arah hubungan antara jumlah penduduk dengan variabel jumlah pekerja adalah
positif. Prediksi jumlah pekerja di Kecamatan Sidoharjo, Kabupaten Sragen, pada tahun
2040 adalah 34566 jiwa, dan diprediksikan terdapat kebutuhan sebanyak 19702 lapangan
pekerjaan pada tahun 2040 di kecamatan tersebut. Persamaan ini bebas dari autokorelasi,
bebas dari multikolinieritas, dan bebas dari heteroskedastisitas.
Pabrik penggilingan padi merupakan alternatif jenis pabrik yang paling
diprioritaskan untuk menyediakan 19702 lapangan pekerjaan sampai dengan tahun 2040 di
Kecamatan Sidoharjo, Kabupaten Sragen.
14
VI. DAFTAR PUSTAKA

BPS. (2017). Kecamatan Sidoharjo dalam Angka 2017.
Hadi, S. (2004). Analisis Regresi. Penerbit Andi.
Indratno, I., & Irwinsyah, R. (1998). Aplikasi Analisis Tabulasi Silang (Crosstab) dalam
Perencanaan Wilayah dan Kota. Jurnal PWK, 9(2).
Janie, D. N. A. (2012). Statistik Deskriptif & Regresi Linier Berganda dengan SPSS.
Semarang: Semarang University Press.
Junaidi. (2014). Analisis Hubungan Deret Waktu untuk Peramalan. Jambi: Fakultas Ekonomi
dan Bisnis Universitas Jambi.
Saaty, T. L. (1993). Decision Making for Leader: The Analytical Hierarchy Process for
Decision in Complex World. Pittsburgh: Prentice Hall Coy. Ltd.
Santoso, S. (2010). Statistik Parametrik. Elex Media Komputindo.
Suryadi, K., & Ramdhani, A. (2000). Sistem Pendukung Keputusan: Suatu Wacana
Struktural Idealisasi dan Implementasi Konsep Pengembnagan Keputusan. Bandung:
PT. Rosdakarya Offset.
15
VII. LAMPIRAN
16
TAHAPAN STATISTIK DESKRIPTIF
17
TAHAPAN METODE CROSSTABS
18
TAHAPAN REGRESI LINEAR
19
OUTPUT STATISTIK DESKRIPTIF
DESCRIPTIVES VARIABLES=BEKERJA JML_PENDUDUK

/STATISTICS=MEAN STDDEV VARIANCE RANGE MIN MAX SEMEAN KURTOSIS SKEWNESS.
Descriptives
Notes
Output Created 17-MAY-2018 01:22:02

Comments
Input Data C:\Users\TOSHIBA\Desktop\METODE_AN
ALISIS_PERENCANAAN\Starts_12_5_201
8_Ends_14_5_2018\Tugas_Akhir_MAP.sav
Active Dataset DataSet1
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data File 7
Missing Value Handling Definition of Missing User defined missing values are treated as
missing.
Cases Used All non-missing data are used.
Syntax DESCRIPTIVES VARIABLES=BEKERJA
JML_PENDUDUK
/STATISTICS=MEAN STDDEV
VARIANCE RANGE MIN MAX SEMEAN
KURTOSIS SKEWNESS.
Resources Processor Time 00:00:00.02
Elapsed Time 00:00:00.01
20
N Range Minimum Maximum Mean Std. Deviation Variance Skewness Kurtosis
Statistic Statistic Statistic Statistic Statistic Std. Error Statistic Statistic Statistic Std. Error Statistic Std. Error
BEKERJA 7 2286 24976 27262 26273.43 276.169 730.674 533884.619 -.624 .794 1.010 1.587
JML_PENDUDUK 7 699 50715 51414 51100.29 96.341 254.893 64970.571 -.348 .794 -1.136 1.587
Valid N (listwise) 7
21
OUTPUT METODE CROSSTABS

CROSSTABS
/TABLES=BEKERJA BY JML_PENDUDUK
/FORMAT=AVALUE TABLES
/STATISTICS=CHISQ CC CORR GAMMA
/CELLS=COUNT TOTAL RESID
/COUNT ROUND CELL
/BARCHART.
Crosstabs
Notes

Comments
Input Data C:\Users\TOSHIBA\Desktop\METODE_
ANALISIS_PERENCANAAN\Starts_12
_5_2018_Ends_14_5_2018\Tugas_Akh
ir_MAP.sav
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data
7
File
Missing Value Handling Definition of Missing User-defined missing values are
treated as missing.
Cases Used Statistics for each table are based on
all the cases with valid data in the
specified range(s) for all variables in
each table.
22
Syntax CROSSTABS
/TABLES=BEKERJA BY
JML_PENDUDUK
/FORMAT=AVALUE TABLES
/STATISTICS=CHISQ CC CORR
GAMMA
/CELLS=COUNT TOTAL RESID
/COUNT ROUND CELL
/BARCHART.
Dimensions Requested 2
Cells Available 174734
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
BEKERJA *
7 100.0% 0 0.0% 7 100.0%
JML_PENDUDUK
23
BEKERJA * JML_PENDUDUK Crosstabulation
JML_PENDUDUK
1 2 3 Total
BEKERJA 1 Count 2 0 0 2
% of Total 28.6% 0.0% 0.0% 28.6%
Residual 1.4 -.9 -.6
2 Count 0 2 0 2
% of Total 0.0% 28.6% 0.0% 28.6%
Residual -.6 1.1 -.6
3 Count 0 1 2 3
% of Total 0.0% 14.3% 28.6% 42.9%
Residual -.9 -.3 1.1

Total Count 2 3 2 7
% of Total 28.6% 42.9% 28.6% 100.0%
Chi-Square Tests
Asymp. Sig. (2-

Value df sided)
Pearson Chi-Square 10.111a 4 .039

Likelihood Ratio 11.287 4 .024
Linear-by-Linear Association 4.941 1 .026
N of Valid Cases 7
a. 9 cells (100.0%) have expected count less than 5. The minimum

expected count is .57.
24
Symmetric Measures
Asymp. Std.
Value Errora Approx. Tb Approx. Sig.
Nominal by Nominal Contingency Coefficient .769 .039

Ordinal by Ordinal Gamma 1.000 .000 5.715 .000
Spearman Correlation .900 .102 4.617 .006c
Interval by Interval Pearson's R .907 .078 4.830 .005c
N of Valid Cases 7
a. Not assuming the null hypothesis.

b. Using the asymptotic standard error assuming the null hypothesis.
c. Based on normal approximation.
25
48,000
49,000
50,000
51,000
52,000
53,000
54,000
55,000
48,000
49,000
50,000
51,000
52,000
53,000
54,000
55,000
2010 50,715 2010 50,715

2011 50,862 2011 50,862
2012 51,003 2012 51,003
2013 51,130 2013 51,130
2014 51,241 2014 51,241
2015 51,337 2015 51,337
2016 51,414 2016 51,414
2017 2017
2018 2018
2019 2019
2020 2020
2021 2021
2022 2022
2023 2023
2024 2024
2025 2025
2026 2026
2027 2027
2028 2028
T RE NDL INE L INE AR
2029 2029
2030 2030
OUTPUT METODE TRENDLINE
T RE NDL INE E XPO NE NS IAL
2031 2031
2032 2032
2033 2033
2034 2034
2035 2035
2036 2036
2037 2037
R² = 0.9887
2038 2038
R² = 0.9883
2039
y = 50632e0.0023x
2039
y = 117.32x + 50631
2040 2040
26
T RE NDL INE PO WE R
52,200
52,000
51,414
51,337
51,241
51,800
51,130
51,600
51,003
50,862
51,400 y = 50655x0.0072
50,715
51,200 R² = 0.9682
51,000
50,800
50,600
50,400
50,200
50,000
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
2020
2021
2022
2023
2024
2025
2026
2027
2028
2029
2030
2031
2032
2033
2034
2035
2036
2037
2038
2039
2040
T RE NDL INE L O GARIT H MIC
52,200
52,000
51,414
51,337
51,241
51,800
51,130
51,600
51,003
50,862
51,400 y = 366.12ln(x) + 50654

50,715
51,200 R² = 0.9676
51,000
50,800
50,600
50,400
50,200
50,000
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
2020
2021
2022
2023
2024
2025
2026
2027
2028
2029
2030
2031
2032
2033
2034
2035
2036
2037
2038
2039
2040
27
OUTPUT METODE REGRESI LINEAR

REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA COLLIN TOL CHANGE
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT BEKERJA
/METHOD=ENTER JML_PENDUDUK
/SCATTERPLOT=(*ZRESID ,*ZPRED)
/RESIDUALS DURBIN NORMPROB(ZRESID).
Regression
Notes

Comments
Input Data C:\Users\TOSHIBA\Desktop\METODE_AN
ALISIS_PERENCANAAN\Starts_12_5_201
8_Ends_14_5_2018\Tugas_Akhir_MAP.sav
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data File 7
Missing Value Handling Definition of Missing User-defined missing values are treated as
missing.
Cases Used Statistics are based on cases with no
missing values for any variable used.
28
Syntax REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR
SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
COLLIN TOL CHANGE
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT BEKERJA
/METHOD=ENTER JML_PENDUDUK
/SCATTERPLOT=(*ZRESID ,*ZPRED)
/RESIDUALS DURBIN
NORMPROB(ZRESID).
Memory Required 1380 bytes
Additional Memory Required for

568 bytes
Residual Plots
[DataSet3] C:\Users\TOSHIBA\Desktop\METODE_ANALISIS_PERENCANAAN\Starts_12_5_2018_Ends_14_5_2018\Tugas_Akhir_MAP.sav
Mean Std. Deviation N
BEKERJA 26273.43 730.674 7

JML_PENDUDUK 51100.29 254.893 7
29
Correlations
BEKERJA JML_PENDUDUK
Pearson Correlation BEKERJA 1.000 .913
JML_PENDUDUK .913 1.000

Sig. (1-tailed) BEKERJA . .002
JML_PENDUDUK .002 .
N BEKERJA 7 7
JML_PENDUDUK 7 7
Variables Entered/Removeda
Variables
Model Variables Entered Removed Method
1 JML_PENDUDUK
. Enter
b

b. All requested variables entered.
Model Summaryb
Change Statistics
Adjusted R Std. Error of the R Square

Model R R Square Square Estimate Change F Change df1 df2 Sig. F Change Durbin-Watson
1 .913a .833 .799 327.356 .833 24.892 1 5 .004 2.137
a. Predictors: (Constant), JML_PENDUDUK

b. Dependent Variable: BEKERJA
30
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 2667499.096 1 2667499.096 24.892 .004b
Residual 535808.619 5 107161.724
Total 3203307.714 6

b. Predictors: (Constant), JML_PENDUDUK
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) -107398.896 26792.537 -4.009 .010
JML_PENDUDUK 2.616 .524 .913 4.989 .004 1.000 1.000
Collinearity Diagnosticsa
Variance Proportions
Model Dimension Eigenvalue Condition Index (Constant) JML_PENDUDUK
1 1 2.000 1.000 .00 .00
2 1.066E-5 433.083 1.00 1.00
31
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value 25265.57 27094.07 26273.43 666.771 7

Residual -509.521 300.899 .000 298.833 7
Std. Predicted Value -1.512 1.231 .000 1.000 7
Std. Residual -1.556 .919 .000 .913 7
Charts
32
OUTPUT METODE AHP

Factor weighting score
Eq
Factor More important than Less important than Factor
ual
9 8 7 6 5 4 3 2 1 2 3 4 5 6 7 8 9
Kepentingan tentang keramahan terhadap Kepentingan tentang kesesuaian dengan tingkat
lingkungan V pendidikan masyarakat lokal
Kepentingan tentang keramahan terhadap Kepentingan tentang kemendesakan kontribusi
lingkungan V terhadap Provinsi Jawa Tengah
Kepentingan tentang keramahan terhadap Kepentingan tentang multiplier effect di lokasi
lingkungan V setempat yang akan timbul
Kepentingan tentang keramahan terhadap Kepentingan tentang dominasi komoditas lokal
lingkungan V eksisting
Kepentingan tentang keramahan terhadap Kepentingan tentang kapasitas penyediaan
lingkungan V tenaga kerja baru
Kepentingan tentang kesesuaian dengan tingkat Kepentingan tentang kemendesakan kontribusi
pendidikan masyarakat lokal V terhadap Provinsi Jawa Tengah
Kepentingan tentang kesesuaian dengan tingkat Kepentingan tentang multiplier effect di lokasi
pendidikan masyarakat lokal V setempat yang akan timbul
Kepentingan tentang kesesuaian dengan tingkat Kepentingan tentang dominasi komoditas lokal
pendidikan masyarakat lokal V eksisting
Kepentingan tentang kesesuaian dengan tingkat Kepentingan tentang kapasitas penyediaan
pendidikan masyarakat lokal V tenaga kerja baru
Kepentingan tentang kemendesakan kontribusi Kepentingan tentang multiplier effect di lokasi
terhadap Provinsi Jawa Tengah V setempat yang akan timbul
Kepentingan tentang kemendesakan kontribusi Kepentingan tentang dominasi komoditas lokal
terhadap Provinsi Jawa Tengah V eksisting
Kepentingan tentang kemendesakan kontribusi Kepentingan tentang kapasitas penyediaan
terhadap Provinsi Jawa Tengah V tenaga kerja baru
Kepentingan tentang multiplier effect di lokasi Kepentingan tentang dominasi komoditas lokal
setempat yang akan timbul V eksisting
Kepentingan tentang multiplier effect di lokasi Kepentingan tentang kapasitas penyediaan
setempat yang akan timbul V tenaga kerja baru
33
Kepentingan tentang dominasi komoditas lokal Kepentingan tentang kapasitas penyediaan

eksisting V tenaga kerja baru
34

Kesesuaian Multiplier
Kemendesakan
dengan effect di Dominasi Kapasitas
terhadap
Keramahan tingkat lokasi komoditas penyediaan
Jenis Pabrik kontribusi
lingkungan pendidikan setempat lokal tenaga
Provinsi Jawa
masyarakat yang akan eksisting kerja baru Priority
Tengah
lokal timbul Vector
Keramahan lingkungan 1 2 2 7 3 4 0.34
Kesesuaian dengan tingkat 0.5 1 3
pendidikan masyarakat lokal 7 3 3 0.28
Kemendesakan terhadap 0.5 0.333333333 1
kontribusi Provinsi Jawa Tengah 4 2 2 0.16
Multiplier effect di lokasi 0.142857143 0.142857143 0.25
setempat yang akan timbul 1 0.333333333 0.5 0.04
Dominasi komoditas lokal
0.333333333 0.333333333 0.5
eksisting 3 1 2 0.11
Kapasitas penyediaan tenaga kerja
0.25 0.33 0.5
baru 2 0.5 1 0.08
TOTAL 2.73 4.14 7.25 24.00 9.83 12.50 1.00
Ket:
CR<10% Hasil konsisten
CR>10% Hasil inkonsisten
35
Keramahan Pabrik Pabrik Pabrik Pabrik Pabrik Pabrik

lingkungan Pabrik penggilingan tepung pakan peternakan pengemasan pengolahan Priority
garmen padi beras ternak ayam telur daging ayam Vector
Pabrik garmen 1 0.142857143 0.2 0.2 0.2 0.333333333 0.333333333 0.03
Pabrik
penggilingan
padi 7 1 3 5 3 2 5 0.35
Pabrik tepung
beras 5 0.333333333 1 2 2 2 4 0.19
Pabrik pakan
ternak 5 0.2 0.5 1 1 0.5 2 0.10
Pabrik
peternakan ayam 5 0.333333333 0.5 1 1 0.5 2 0.11
Pabrik
pengemasan telur 3.00 0.50 0.5 2 2 1 4 0.16
Pabrik
pengolahan
daging ayam 3.00 0.20 0.25 0.5 0.5 0.25 1 0.06
TOTAL 29.00 2.71 5.95 11.70 9.70 6.58 18.33 1
Principle Eigen
Value = 7.375976853
Consistensy
Index CI = 0.062662809
Consistency
Ratio CR = 4.75%
36

Pabrik
Kesesuaian dengan tingkat Pabrik Pabrik Pabrik Pabrik pengolahan
pendidikan masyarakat lokal Pabrik penggilingan tepung Pabrik pakan peternakan pengemasan daging Priority
garmen padi beras ternak ayam telur ayam Vector
Pabrik garmen 1 0.333333333 0.5 0.2 0.2 0.5 0.5 0.04
Pabrik penggilingan padi 3 1 2 0.2 0.333333333 3 2 0.13
Pabrik tepung beras 2 0.5 1 0.25 0.5 2 2 0.10
Pabrik pakan ternak 5 5 4 1 2 6 7 0.38
Pabrik peternakan ayam 5 3 2 0.5 1 3 4 0.22
Pabrik pengemasan telur 2.00 0.33 0.5 0.166666667 0.333333333 1 2 0.07
Pabrik pengolahan daging
ayam 2.00 0.50 0.5 0.142857143 0.25 0.5 1 0.06
TOTAL 20.00 10.67 10.50 2.46 4.62 16.00 18.50 1.00
37

Kemendesakan Pabrik Pabrik Pabrik Pabrik Pabrik Pabrik
terhadap kontribusi Pabrik penggilingan tepung pakan peternakan pengemasan pengolahan Priority
Provinsi Jawa Tengah garmen padi beras ternak ayam telur daging ayam Vector
Pabrik garmen 1 0.125 0.5 0.5 0.166666667 0.333333333 0.25 0.04
Pabrik penggilingan
padi 8 1 5 4 3 2 3 0.34
Pabrik pakan ternak 2 0.25 2 1 0.333333333 0.333333333 0.5 0.07
Pabrik peternakan
ayam 6 0.333333333 5 3 1 3 3 0.25
Pabrik pengemasan
telur 3.00 0.50 2 3 0.333333333 1 2 0.14
Pabrik pengolahan
daging ayam 4.00 0.33 2 2 0.333333333 0.5 1 0.11
TOTAL 26.00 2.74 17.50 14.00 5.37 7.67 10.25 1.00
38

Multiplier effect di Pabrik Pabrik Pabrik Pabrik Pabrik
lokasi setempat Pabrik penggilingan tepung Pabrik pakan peternakan pengemasan pengolahan Priority
yang akan timbul garmen padi beras ternak ayam telur daging ayam Vector
Pabrik garmen 1 0.142857143 0.5 0.2 0.25 0.333333333 0.333333333 0.04
Pabrik
penggilingan padi 7 1 7 2 2 5 3 0.34
Pabrik tepung
beras 2 0.142857143 1 0.2 0.333333333 0.5 0.5 0.05
Pabrik pakan
ternak 5 0.5 5 1 2 3 2 0.22
Pabrik peternakan
ayam 4 0.5 3 0.5 1 2 2 0.16
Pabrik
pengemasan telur 3.00 0.20 2 0.333333333 0.5 1 0.333333333 0.08
Pabrik pengolahan
daging ayam 3.00 0.33 2 0.5 0.5 3 1 0.12
TOTAL 25.00 2.82 20.50 4.73 6.58 14.83 9.17 1.00
Principle Eigen
Value = 7.225291653
Consistensy Index
CI = 0.037548609
Consistency Ratio
CR = 2.84%
39

Dominasi Pabrik Pabrik Pabrik Pabrik
komoditas Pabrik penggilingan Pabrik tepung Pabrik pakan peternakan pengemasan pengolahan Priority
lokal eksisting garmen padi beras ternak ayam telur daging ayam Vector
Pabrik garmen 1 0.111111111 0.142857143 0.142857143 0.25 0.333333333 0.333333333 0.03
Pabrik
penggilingan
padi 9 1 2 2 3 5 7 0.33
Pabrik tepung
beras 7 0.5 1 2 2 3 5 0.22
Pabrik pakan
ternak 7 0.5 0.5 1 2 2 4 0.17
Pabrik
peternakan
ayam 4 0.333333333 0.5 0.5 1 4 3 0.13
Pabrik
pengemasan
telur 3.00 0.20 0.333333333 0.5 0.25 1 2 0.07
Pabrik
pengolahan
daging ayam 3.00 0.14 0.2 0.25 0.333333333 0.5 1 0.05
TOTAL 34.00 2.79 4.68 6.39 8.83 15.83 22.33 1.00
Principle Eigen
Value = 7.29308049
Consistensy
Index CI = 0.048846748
Consistency
Ratio CR = 3.70%
40

Kapasitas Pabrik Pabrik Pabrik Pabrik Pabrik Pabrik
penyediaan Pabrik penggilingan tepung pakan peternakan pengemasan pengolahan Priority
tenaga kerja baru garmen padi beras ternak ayam telur daging ayam Vector
Pabrik garmen 1 7 6 5 2 3 2 0.33
Pabrik
penggilingan
padi 0.142857143 1 2 0.5 0.2 0.5 0.333333333 0.05
Pabrik tepung
beras 0.166666667 0.5 1 0.5 0.166666667 0.333333333 0.25 0.04
Pabrik pakan
ternak 0.2 2 2 1 0.333333333 0.5 0.5 0.07
Pabrik
peternakan ayam 0.5 5 6 3 1 3 2 0.24
Pabrik
pengemasan telur 0.33 2.00 3 2 0.333333333 1 0.5 0.10
Pabrik
pengolahan
daging ayam 0.50 3.00 4 2 0.5 2 1 0.16
TOTAL 2.84 20.50 24.00 14.00 4.53 10.33 6.58 1.00
Principle Eigen
Value = 7.163223619
Consistensy
Index CI = 0.027203936
Consistency
Ratio CR = 2.06%
41
Overall Composite Weight

Pabrik
Weight Pabrik Pabrik Pabrik Pabrik Pabrik pengolahan
(Priority Pabrik penggilingan tepung pakan peternakan pengemasan daging
Jenis Pabrik Vector) garmen padi beras ternak ayam telur ayam
Keramahan lingkungan 0.34 0.03 0.35 0.19 0.10 0.11 0.16 0.06
Kesesuaian dengan tingkat
pendidikan masyarakat lokal 0.28 0.04 0.13 0.10 0.38 0.22 0.07 0.06
Kemendesakan terhadap
kontribusi Provinsi Jawa Tengah 0.16 0.04 0.34 0.06 0.07 0.25 0.14 0.11
Multiplier effect di lokasi
setempat yang akan timbul 0.04 0.04 0.34 0.05 0.22 0.16 0.08 0.12
Dominasi komoditas lokal
eksisting 0.11 0.03 0.33 0.22 0.17 0.13 0.07 0.05
Kapasitas penyediaan tenaga
kerja baru 0.08 0.33 0.05 0.04 0.07 0.24 0.10 0.16
Composite Weight 0.06 0.26 0.13 0.19 0.18 0.12 0.07
42

MASTERAN Semester 4 - Metode Analisis Perencanaan - Tugas Besar

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

MASTERAN Semester 4 - Metode Analisis Perencanaan - Tugas Besar

Diunggah oleh

Hak Cipta:

Format Tersedia

Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018

LAPORAN TUGAS BESAR METODE ANALISIS PERENCANAAN

Disusun untuk Memenuhi Tugas Mata Kuliah Metode Analisis Perencanaan

DEPARTEMEN PERENCANAAN WILAYAH DAN KOTA

II. KAJIAN LITERATUR

1993). AHP adalah model pengambilan keputusan yang sifatnya menyeluruh/komprehensif.

III. GAMBARAN KASUS/WILAYAH

Sumber: BAPPEDA Kab. Sragen, 2016

Sumber: Analisis penulis, 2018

Tahap Pengenalan Masalah: Statistik Deskriptif

N Range Minimum Maximum Mean

Statistic Statistic Statistic Statistic Statistic Std. Error

BEKERJA 7 2286 24976 27262 26273.43 276.169

Std. Deviation Variance Skewness Kurtosis

730.674 533884.619 -.624 .794 1.010 1.587

Normalitas data diketahui apabila rasio skewness (skewness/standard error

Tahap Pengenalan Masalah: Crosstabs

Case Processing Summary

Valid Missing Total

N Percent N Percent N Percent

BEKERJA * JML_PENDUDUK Crosstabulation

% of Total 28.6% 0.0% 0.0% 28.6%

Residual 1.4 -.9 -.6

% of Total 0.0% 28.6% 0.0% 28.6%

Residual -.6 1.1 -.6

% of Total 0.0% 14.3% 28.6% 42.9%

Residual -.9 -.3 1.1

% of Total 28.6% 42.9% 28.6% 100.0%

Asymp. Sig. (2-

Pearson Chi-Square 10.111a 4 .039

a. 9 cells (100.0%) have expected count less than 5. The minimum

Tahap Identifikasi Perkembangan: Trendline

T RE NDL INE E XPO NE NS IAL

2010 50,715 2010 50,715 2010 50,715

2029 2029 2029

T RE NDL INE L O GARIT H MIC

2038 2038 2038

2039 2039 2039

2040 2040 2040

Masing-masing trendline di atas dirangkum persamaan/fungsi y-nya dan R-

Diketahui bahwa trendline linear memiliki R-kuadrat yang paling tinggi

Tahap Identifikasi Perkembangan: Regresi

a. Dependent Variable: BEKERJA

Chart di atas digunakan untuk menguji heteroskedastisitasnya, dengan melihat

Tahap Perumusan Alternatif: AHP

Kriteria 4: Multiplier effect di lokasi setempat yang akan timbul;

Factor weighting score

Kemendesakan kontribusi terhadap Provinsi

Pair Comparation Matrix

Pair Comparation Matrix

Pair Comparation Matrix

Pair Comparation Matrix

Pair Comparation Matrix

Pair Comparation Matrix

Pair Comparation Matrix

Overall Composite Weight

VI. DAFTAR PUSTAKA

TAHAPAN STATISTIK DESKRIPTIF

TAHAPAN METODE CROSSTABS

TAHAPAN REGRESI LINEAR

OUTPUT STATISTIK DESKRIPTIF

DESCRIPTIVES VARIABLES=BEKERJA JML_PENDUDUK

Output Created 17-MAY-2018 01:22:02

N Range Minimum Maximum Mean Std. Deviation Variance Skewness Kurtosis