LAPORAN PRAKTIKUM ANALISIS FAKTOR

Metode Analisis Perencanaan I

Dosen Pembimbing :
Widiyanto Hari Subagyo Widodo, ST., M. Sc
Endratno Budi Santoso, ST.,MT

Penyusun :
Ester Parmanes / 2224034

PROGRAM STUDI PERENCANAAN WILAYAH DAN KOTA

FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
INSTITUT TEKNOLOGI NASIONAL MALANG
2023
 Kata Pengantar

Puji syukur kehadirat Tuhan Yang Maha Esa yang telah memberikan rahmat dan karunia-
Nya sehingga kami diberikan kelancaran dalam menyelesaikan Laporan yang berjudul
“Laporan Praktikum Analisis Faktor” yang mana merupakan bagian dari tugas individu Mata
Kuliah dari Metode Analisis Perencanaan I. Dalam proses penyusunan laporan ini
diselesaikan dengan baik dan berkat bantuan serta bimbingan dari berbagai pihak. Oleh
karena itu kami ingin menyampaikan rasa terimakasih kepada:
1. Bapak Widiyanto Hari Subagyo Widodo, ST., M. Sc dan Bapak Endratno Budi
Santoso, ST.,MTselaku dosen pembimbing Mata Kuliah Ekonomi Wilayah dan Kota.
2. Kakak-kakak tingkat dan juga Alumni yang telah yang telah memberikan informasi
dan masukan mengenai Mata Metode Analisis Perencanaan I berdasarkan pengalaman
yang mereka miliki.
3. Orang tua dan keluarga yang telah memberikan dukungan, baik dalam doa, motivasi,
serta finansial.
4. Teman-teman atas semangat, kerjasama, dan kekompakannya serta teman-teman
seperjuangan PWK Angkatan 2022 (Ataraksa) atas semangat, kerja keras, dan
kekompakannya
Menyadari bahwa dalam Menyusun laporan memiliki keterbatasan oleh karena itu
kami sangat mengharapkan adanya kritik dan saran yang membangun demi
kesempurnaan laporan ini.

Malang, 12 Desember 2023

Penyusun
DAFTAR TABEL
DAFTAR GAMBAR
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Perencanaan adalah suatu proses memutuskan sebelumnya mengenai apa yang
harus dilakukan dimasa mendatang, bagaimana, kaoaan, dan oleh siapa dengan
memepertimbangkan semua faktor – faktor yang memeperngaruhi ( Koontz dan
O’Donnell, 1976). Perencanaan adalah suatu proses penyusunan tujuan – tujuan dan
pengaturan sumber daya untuk mencapai tujuan tersebut secara efektif dan efisien.
(Chester I. Barndard). perencanaan adalah bahwa itu merupakan suatu proses yang
melibatkan keputusan sebelumnya mengenai tindakan apa yang akan dilakukan di
masa depan, bagaimana cara melakukannya, kapan, dan oleh siapa. Proses ini
mempertimbangkan semua faktor yang dapat mempengaruhi implementasi rencana
tersebut. Selain itu, perencanaan juga melibatkan penetapan tujuan dan alokasi
sumber daya untuk mencapai tujuan tersebut dengan cara yang efektif dan efisien.
Proses perencanaan harus berjalan secara berkelanjutan dan berkesinambungan.
Memahami hal-hal yang perlu diperhatikan adalah sangat penting dalam perencanaan.
Tahap krusial dalam proses ini adalah pengambilan keputusan mengenai tindakan
terbaik untuk mencapai perubahan atau pengembangan, beserta cara pelaksanaannya.
Tujuan dari perencanaan adalah mencapai target spesifik yang telah diidentifikasi atau
ditetapkan sebelum memulai suatu proyek (Conyer dan Hills, 1984). Perencanaan
adalah suatu kegiatan yang menghubungkan pengetahuan dengan tindakan yang
terstruktur dengan baik. Oleh karena itu, Perencanaan Wilayah dan Kota adalah
proses untuk merumuskan rencana terkait wilayah dan kota, yang akan menjadi
landasan bagi perubahan dan pengembangan wilayah serta kota menuju masa depan
yang lebih baik. Proses ini bergantung pada keterkaitan antara pengetahuan dan
tindakan yang akan dilaksanakan. Dalam proses pengambilan keputusan, diperlukan
bantuan dari berbagai metode analisis untuk mengidentifikasi karakteristik khusus
dari wilayah dan kota, baik di masa lalu, sekarang, maupun kecenderungannya di
masa yang akan datang. Dengan cara ini, dapat diperoleh pemahaman yang dapat
diandalkan sebagai dasar untuk membuat keputusan terkait tindakan di masa
mendatang. Hal ini kemudian akan menghasilkan rencana yang efektif sebagai hasil
dari proses tersebut.
 Analisis adalah kegiatan berpikir untuk menguraikan suatu keseluruhan
menjadi komponen sehingga dapat mengenal tanda – tanda komponen, hubungannya
satu sama lain dan fungsi masing – masing dalam saty keseluruhan yang terpadu.
(Komaruddin, 2001). Analisis diartikan sebagai suatu proses untuk memecahkan
sesuatu kedalam bagian yang saling berkaitan. (Goys Keraf). Analisi merupakan suatu
cara untuk membantu perencana dalam mendukung dan proses suatu renacana.
Metode Analisis Perencanaan adalah seperangkat teknik atau alat bantu yang
membantu perencana dalam melakukan analisis untuk mendukung proses
perencanaan wilayah dan kota. Metode ini terdiri dari dua pendekatan berbeda, yaitu
analisis kuantitatif dan analisis kualitatif, dan keduanya memiliki kepentingan yang
sama. Selain dari perspektif pendekatan ini, Metode Analisis Perencanaan juga
mempertimbangkan elemen-elemen utama wilayah dan kota yang perlu dipahami
dengan baik, seperti elemen fisik, elemen sosial-budaya, elemen ekonomi, dan elemen
interaksi spasial. Karena perencanaan adalah suatu proses, Metode Analisis
Perencanaan juga mencakup teknik yang mendukung setiap tahap di dalam proses
perencanaan, yang secara umum meliputi kegiatan mendeskripsikan karakteristik,
peramalan masa depan, dan membuat keputusan.
Dalam penelitian dan perencanaan, analisis merupakan proses memecah suatu
keseluruhan menjadi komponen yang saling terkait, untuk memahami tanda-tanda
komponen tersebut, hubungannya, dan fungsi masing-masing dalam kesatuan yang
terpadu. Analisis juga merupakan cara untuk memecahkan sesuatu menjadi bagian
yang berkaitan satu sama lain. Pentingnya analisis dalam perencanaan terutama
tercermin dalam penggunaan metode analisis Faktor. Metode ini Tujuan utamanya
adalah mendeskripsikan atau menggambarkan hubungan antara banyak variable yang
tidak teramati kuantitasnya yang disebut dengan factor umum atau variable laten
(Jhonson, 1956). berfungsi untuk mereduksi dimensi data dengan cara menyatakan
variable asal sebagai kombinasi linear sejumlah factor umum atau common factor
ditambahkan dengan factor khusus atau spesifik factor, sedemikian hingga sejumlah
factor umum tersebut mampu menjelaskan semaksimal mungkin keragaman data yang
dijelaskan oleh variabel asal.
 BAB II
ANALISIS FAKTOR
2.1 Definisi Analisis Faktor
Menurut Charles Spearman memandang analisis faktor sebagai suatu metode
statistik yang bertujuan untuk mengidentifikasi faktor-faktor umum yang menjadi dasar
variasi variabel dalam suatu dataset. Menurut Louis Leon Thurstone, analisis faktor
diartikan sebagai suatu metode untuk mengenali dimensi-dimensi yang mendasari
hubungan antar variabel dalam dataset. David J. Bartholomew memandang analisis
faktor sebagai suatu metode untuk memahami hubungan antara variabel terikat dan
variabel bebas dalam dataset. J. Scott Armstrong, sementara itu, menginterpretasikan
analisis faktor sebagai metode untuk memisahkan variabel yang dipengaruhi oleh
kesalahan pengukuran dari variabel yang benar-benar relevan dalam dataset. Dengan
demikian, para ahli ini memberikan pandangan yang berbeda-beda namun konvergen
tentang esensi analisis faktor dalam merinci hubungan antar variabel dalam suatu
konteks data.
Analisis faktor ni merupakan salah satu analisis yang bertujuan untuk menemukan
hubungan antara sejumlah variabel yang saling bebas satu sama lain, sehingga dapat
dibentuk satu atau beberapa set variabel yang lebih sedikit dari jumlah variabel awal.
Proses ini melibatkan pengelompokan variabel berdasarkan korelasi terbesar,
membentuk suatu set variabel yang disebut faktor. Analisis faktor Confirmatory (CFA)
digunakan untuk mengonfirmasi atau menguji model pengukuran yang dirumuskan dari
teori. Model ini dapat digunakan untuk berbagai tujuan, seperti evaluasi psikometrik,
deteksi efek metode, membangun validitas, dan mengevaluasi varian pengukuran.
Tujuan utamanya adalah menguji apakah indikator-indikator yang telah dikelompokkan
berdasarkan variabel laten atau konstruknya konsisten dalam konstruk tersebut. Dalam
CFA, peneliti menguji kesesuaian data dengan model yang telah dibentuk sebelumnya.
Sebaliknya, Penelitian Exploratory Factor Analysis (EFA) dilakukan tanpa dugaan
teoritis mengenai jumlah faktor atau pengelompokan variabel. Metode ini digunakan
untuk membangun model struktural dari satu set atau banyak variabel, mengidentifikasi
hubungan antara variabel manifest atau indikator untuk membangun suatu konstruk.
EFA berguna ketika peneliti tidak memiliki informasi awal atau hipotesis mengenai
kelompokan variabel atau ketika variabel laten memiliki indikator yang belum jelas.
Dalam EFA, peneliti memulai dengan indikator (manifest) dan membentuk variabel,
memungkinkan overlap antara indikator satu variabel laten dengan indikator variabel
laten lainnya. Secara keseluruhan, analisis faktor merupakan studi tentang
keterhubungan antar variabel untuk menemukan variabel baru atau laten, yang juga
disebut faktor laten..

Gambar 1 Analisa Faktor

Gambar 2 Pemodelan Analisis Faktor

 Gambar 3 Model Analisis Faktor

2.2 Jenis – jenis Analisis Faktor

Metode analisis data memiliki berbagai jenis, dan berikut adalah beberapa
jenis analisis faktor yang umum digunakan:
1. Analisis Faktor Eksploratori (Exploratory Factor Analysis/EFA),
Digunakan ketika peneliti ingin mengidentifikasi faktor-faktor dalam suatu
data tanpa memiliki hipotesis terkait jumlah atau sifat faktor.Membantu
mengungkapkan struktur internal data dengan menghasilkan faktor-faktor yang
menjelaskan variasi dalam data.
2. Analisis Faktor Konfirmatori (Confirmatory Factor Analysis/CFA)
Digunakan ketika peneliti memiliki hipotesis jelas tentang struktur faktor yang
ada dan ingin menguji apakah model yang diusulkan sesuai dengan
data.Memeriksa sejauh mana data mendukung struktur faktor yang telah diajukan
sebelumnya.
3. Analisis Faktor Rasch (Rasch Factor Analysis)
Metode khusus dalam pengukuran psikometrik untuk menguji dan
memvalidasi skala pengukuran.Memeriksa kesesuaian data dengan model Rasch
dan menghasilkan faktor yang memisahkan antara individu yang diukur dan
tingkat kesulitan item.
4. Analisis Faktor Tersirat (Implicit Factor Analysis/IFA)
Digunakan untuk mengidentifikasi faktor-faktor di balik konstruk yang tidak
dapat diukur langsung. Mencoba menemukan faktor-faktor tersembunyi di balik
fenomena seperti motivasi, sikap, atau persepsi.
5. Analisis Faktor Spesifik (Specific Factor Analysis/SFA)
 Digunakan untuk memisahkan variasi dalam data menjadi faktor-faktor umum
(shared factors) dan faktor-faktor spesifik (specific factors) Faktor-faktor umum
mempengaruhi semua variabel, sementara faktor-faktor spesifik hanya
mempengaruhi beberapa variabel tertentu.
6. Analisis Faktor Hierarkis (Hierarchical Factor Analysis)
Digunakan untuk memodelkan struktur faktor dalam beberapa tingkatan
hierarkis., Memungkinkan identifikasi faktor-faktor global (tingkat tinggi) dan
faktor-faktor spesifik (tingkat rendah) yang saling terkait.
2.3 Implementasi Analisis Faktor
Pada Analisis Faktor ini memiliki Impelementasi fungsi pada penggunaan
Analisis faktor, antara lain :
1. Reduksi Dimensi
Analisis faktor memiliki peran utama dalam mereduksi dimensi data dengan
mengidentifikasi faktor-faktor yang menjadi dasar variasi dalam variabel terkait.
Dengan memperbolehkan penggabungan variabel yang saling terkait menjadi
faktor-faktor yang lebih inklusif, analisis faktor meminimalisir kompleksitas data
dengan menggantikan sejumlah besar variabel dengan sejumlah faktor yang lebih
sedikit, tetapi tetap memuat informasi yang signifikan. Dengan demikian, reduksi
dimensi mempermudah interpretasi data, analisis lebih lanjut, dan visualisasi data.
2. Pemahaman Struktur Data
Analisis faktor dapat meningkatkan pemahaman struktur data dengan
mengidentifikasi pola dan hubungan yang muncul di antara variabel-variabel.
Dengan mengekstraksi faktor-faktor yang mendasarinya, analisis faktor membuka
wawasan terhadap aspek-aspek krusial atau dimensi-dimensi yang terlibat dalam
data. Ini memberikan kesempatan kepada peneliti untuk mendapatkan wawasan
yang lebih mendalam tentang struktur data dan interkoneksi antar variabel.
3. Identifikasi Variabel Penting
Analisis faktor mendukung identifikasi variabel-variabel paling signifikan
atau mewakili dalam suatu analisis. Dengan menilai kontribusi variabel terhadap
faktor-faktor yang dihasilkan, peneliti dapat menetapkan variabel mana yang
memiliki keterkaitan paling kuat dengan faktor-faktor tersebut. Ini membantu
dalam menentukan fokus variabel dalam analisis atau penelitian berikutnya.
4. Pengelompokan dan Klasifikasi
 Analisis faktor memungkinkan pengelompokan variabel-variabel yang terkait
ke dalam faktor-faktor yang lebih besar, mempermudah pengelompokan dan
klasifikasi data. Dengan mengelompokkan variabel-variabel yang memiliki
hubungan erat ke dalam faktor-faktor yang sama, peneliti dapat memperoleh
pemahaman yang lebih rinci tentang pola dan korelasi antar variabel dalam
analisis data.
5. Uji Validitas dan Reliabilitas
Analisis faktor dapat diaplikasikan untuk menguji validitas dan reliabilitas
suatu instrumen pengukuran. Dengan menganalisis faktor-faktor yang muncul
dari data instrumen, peneliti dapat menilai sejauh mana faktor-faktor tersebut
sesuai dengan teori yang diusulkan dan apakah instrumen tersebut secara
konsisten mengukur variabel yang dimaksud. Aspek ini menjadi krusial dalam
mengukur konstruk seperti kepribadian, kepuasan pelanggan, atau faktor-faktor
lain yang sulit diukur secara langsung..
 BAB III
UJI ANALISIS
1.1 Studi Kasus
Jakarta

Tabel 1 Kebutuhan Data

JUMLH
KAB. / JUMLAH
IPM TPT PEND PDRB PPK TPAK PENDIDIKAN
KOTA PEND.
MISKIN
292214.0
Kep Seribu 28925 72.79 8.47 3.67 10134.63 58.61 7
0
Jakarta 299330.0
1793550 80.81 8.04 133.73 730224.71 67.92 224
Utara 0
Jakarta 163795.0
3083883 83.45 8.39 126.63 546877.29 64.88 262
Timur 0
Jakarta 682994.0
2244623 85.21 5.63 81.11 794935.80 63.75 111
Selatan 0
Jakarta 202371.0
1079995 82.11 5.88 44.72 540696.90 65.2 281
Pusat 0
Jakarta 300342.0
2448975 82.51 7.1 112.18 587659.64 63.41 193
Barat 0
DKI 274709.0
10 679 951 81.65 7.18 502.04 3186469.91 64.81 1078
Jakarta 0
1.2 Analisis Faktor EFA
Analisis yang ada pada Communilitis pada extraction method :
1.2.1 Communalities

Gambar 4 Tabel Standartisasi Z Score

Pada Tabel Communalities ini menunjukkan nilai variabel yang diteliti

apakah mampu untuk menjelaskan faktor atau tidak. Variabel dianggap
mampu menjelaskan faktor jika nilai Extraction lebih besar dari 0,50.
Berdasarkan output di atas, diketahui nilai Extraction untuk semua variabel
adalah lebih besar dari 0,50. Dengan demikian dapat disimpulkan bahwa
semua variabel dapat dipakai untuk menjelaskan faktor.

1.2.2 Total Variance Explained

Gambar 5 Tabel Uji Korelasi

Tabel Total Variance Explained menunjukkan nilai masing-masing
variabel yang di analisis. Dalam penelitian ini ada 8 variabel berarti ada 8
Component yang di analisis. Ada dua macam analisis untuk menjelaskan
suatu varian, yaitu Initial Eigenvalues dan Extraction Sums of Squared
Loadings. Pada varian Initial Eigenvalues menunjukkan faktor yang
terbentuk. Apabila semua faktor dijumlahkan menunjukkan jumlah
variabel

( 4.711 + 1.939 + 0.904 + 0.415 + 0.031 + 3.23E-16 + 1.588E-

16 + (-1.831E-16)) = 8 variabel).

Sedangkan pada bagian Extraction Sums of Squared Loadings

menunjukkan jumlah variasi atau banyaknya faktor yang dapat terbentuk,
pada hasil output di atas ada 2 (dua) variasi faktor, yaitu 4.711 dan 1.939.

Berdasarkan tabel output Total Variance Explained pada bagian

"Initial Eigenvalues", maka ada 2 (dua) faktor yang dapat terbentuk dari 8
variabel yang di analisis. Dimana syarat untuk menjadi sebuah faktor,
maka nilai Eigenvalue harus lebih besar 1. Nilai Eigenvalue Component 1
sebesar 4.711 atau >1 maka menjadi faktor 1 dan mampu menjelaskan
58.887% variasi. Sedangkan nilai Eigenvalue Component 2 sebesar 1.939
atau > 1 maka menjadi faktor 2 dan mampu menjelaskan 24.236% variasi.
Jika faktor 1 dan faktor 2 dijumlahkan mampu menjelaskan 83.123%
variasi.

Sedangkan untuk nilai total component 3,4,5, dan 6 tidak dihitung

karena nilai Eigenvalue Componentnya < 1 maka tidak menjadi faktor.
1.2.3 Scree Plot

Gambar 6 Tabel Scree Plot

Pada Gambar Scree Plot ini dapat juga menunjukkan jumlah faktor
yang terbentuk. Caranya dengan melihat nilai titik Component yang
memiliki nilai Eigenvalue > 1. Dari gambar Scree Plot di atas ada 2 titik
Component yang memiliki nilai Eigenvalue > 1 maka dapat diartikan
bahwa ada 2 faktor yang dapat terbentuk.

1.2.4 Component Matrix

Communalities adalah suatu konsep dalam analisis faktor atau analisis
komponen utama (PCA) yang digunakan untuk mengukur seberapa besar
varians dari suatu variabel yang dapat dijelaskan oleh faktor-faktor atau
komponen-komponen yang diekstraksi. Dalam konteks output yang Anda
berikan, nilai communalities mencerminkan sejauh mana variabilitas dari
setiap variabel awal dapat dijelaskan oleh komponen utama yang
diekstraksi.
 Gambar 7 Tabel Component Matrix

Pada Gambar Tabel Component Matrix ini menunjukkan nilai korelasi

atau hubungan antara masing-masing variabel dengan faktor yang akan
terbentuk. Dalam output tersebut, terdapat dua kolom yang menunjukkan
communalities: "Initial" dan "Extraction." Berikut adalah interpretasi dari
kedua kolom tersebut:

1. Initial Communalities:
- Ini adalah communalities sebelum dilakukan ekstraksi faktor
atau komponen utama.
- Nilai communalities awal untuk setiap variabel adalah 1.000,
yang artinya semua variabilitas dari setiap variabel dapat
dijelaskan oleh faktor-faktor atau komponen-komponen awal
sebelum ekstraksi.
2. Extraction Communalities:
- Ini adalah communalities setelah dilakukan ekstraksi faktor atau
komponen utama menggunakan metode Principal Component
Analysis (PCA).
- Nilai communalities ini menunjukkan seberapa besar
variabilitas dari setiap variabel yang dapat dijelaskan oleh
komponen utama yang diekstraksi.
- Nilai-nilai ini cenderung lebih rendah dari 1.000, karena hanya
sebagian dari variabilitas asli yang dijelaskan oleh komponen
utama yang diekstraksi.
- Semakin tinggi nilai communalities setelah ekstraksi, semakin
baik variabel tersebut dijelaskan oleh komponen utama yang
terpilih.
Dengan demikian, nilai-nilai communalities Extraction memberikan
gambaran tentang sejauh mana informasi dari variabel asli dapat dijelaskan
 oleh faktor-faktor atau komponen-komponen utama yang diekstraksi
menggunakan metode PCA. Nilai-nilai yang lebih tinggi menunjukkan
bahwa komponen utama tersebut memberikan kontribusi yang lebih besar
dalam menjelaskan variabilitas variabel awal.

1.2.5 Rotated Component Matrix

1.2.6 Component Transformation Matrix

1.3 Analisis Regresi

Analisis Regesi dengan penggujian Uji R Square sebagai langkah awal.

1.3.1 Uji R Square

Gambar 8 Tabel Variabel Entered Removed

Gambar 9 Tabel Model Summary

Model Summary menjelaskan mengenai tingkat prosentase pengaruh

variabel independen terhadap variabel dependen (nilai adjusted R square),
yang memiliki range nilai 0-1. Semakin tinggi nilai adjusted R square,
maka semakin tinggi pengaruh independen terhadap variabel dependen.
Analisis Uji Regresi :
 Berdasarkan hasil diperoleh nilai R square yang didapatkan sebesar
1,000 yang berarti variabel X (independent) memiliki pengaruh tinggi
terhadap variabel Y (dependen).

1.3.2 Uji Anova / Uji F

Gambar 10 Tabel Uji Anova

(Sig < 0,05 = model diterima/dipakai untuk Analisis regresi)

Analisis Uji Anova :
Dari uji Anova pada tabel di atas, diketahui nilai SIG 0,021 (di
bawah 0,05) sehingga dapat diketahui bahwa variabel independen (HLS,
RLS,dan PPK) memiliki pengaruh terhadap variabel dependen (IPM)

1.3.3 Persamaan Regresi

Y = (-5.372E-15) + 0,4350X1 + 0,331 X2 + 0.291 X3
X = Konstanta sebesar (-5.372 E - 15 )
menyatakan bahwa jika tidak ada penambahan data RLS,HLS, dan
PPK. Makapengaruh jumlah IPM sebesar (-5.372 E - 15 )
X1 = Koefisien regresi X1 (HLS) Sebesar 0.4350
menyatakan bahwa setiap penambahan jumlah HLS sebesar 1 satuan
akan berpengaruh pada peningkatan jumlah IPM sebesar 0.4350.
X2 = Koefisien regresi X2 (RLS) Sebesar 0.331
menyatakan bahwa setiap penambahan jumlah RLS sebesar 1 satuan
akan berpengaruh pada peningkatan jumlah IPM sebesar 0.331.
X3 = Koefisien regresi X2 (PPK) Sebesar 0.291
menyatakan bahwa setiap penambahan jumlah PPK sebesar 1 satuan
akan berpengaruh pada peningkatan jumlah IPM sebesar 0.291
Analisis :
Berdasarkan tabel diatas dapat di tarik kesimpulan bahwa variabel
yang memiliki pengaruh besar terhadap variabel Y adalah variable HLS
dengan nilai sebesar 0.435, kedua adalah variabel RLS dengan nilai 0.331,
ketiga variabel PPK dengan nilai O.291
 BAB IV
PENUTUP

5.1 Kesimpulan

Harapan Lama Sekolah (HLS) dan Rata-rata Lama Sekolah (RLS) memiliki pengaruh
yang sangat besar terhadap Indeks Pembangunan Manusia (IPM). Oleh karena itu,
meningkatkan tingkat pendidikan dan kualitas pendidikan di wilayah studi sangat penting
untuk meningkatkan IPM. Pengeluaran Per Kapita (PPK) juga berpengaruh positif terhadap
IPM, meskipun dengan kekuatan yang sedikit lebih rendah dibandingkan dengan HLS dan
RLS. Konstanta dalam persamaan regresi memiliki dampak yang sangat kecil pada IPM dan
bisa diabaikan. Analisis ini memberikan wawasan yang penting untuk perencanaan dan
pengembangan wilayah studi, terutama dalam upaya meningkatkan Indeks Pembangunan
Manusia. Dengan fokus pada peningkatan pendidikan (HLS dan RLS) serta peningkatan
pengeluaran per kapita (PPK), dapat diharapkan bahwa IPM akan meningkat secara
signifikan

5.1.1 Analisis Korelasi

Indeks Pembangunan Manusia (IPM) memiliki korelasi yang sangat kuat dengan
Harapan Lama Sekolah (HLS) dan Rata-rata Lama Sekolah (RLS), dengan nilai korelasi
mencapai 0.986 dan 0.989 secara berturut-turut. Ini menunjukkan bahwa semakin tinggi
IPM, semakin tinggi juga HLS dan RLS. Namun, korelasi antara IPM dan Pengeluaran
Per Kapita (PPK) lebih rendah, sekitar 0.860. Hal ini menunjukkan bahwa hubungan
antara IPM dan PPK tidak sekuat hubungannya dengan HLS dan RLS.
5.1.2 Analisis Regresi

Koefisien regresi menunjukkan pengaruh variabel independen (HLS, RLS, dan PPK)
terhadap variabel dependen (IPM). Dari persamaan regresi yang diberikan, HLS
memiliki koefisien tertinggi (0.435), diikuti oleh RLS (0.331) dan PPK (0.291).
Koefisien negatif pada konstanta menunjukkan bahwa tanpa penambahan data RLS,
HLS, dan PPK, IPM memiliki pengaruh negatif sebesar -5.372E-15. Namun, nilai ini
sangat kecil dan bisa diabaikan dalam konteks analisis ini. Hasil dari uji Anova
menunjukkan bahwa model regresi secara keseluruhan signifikan, dengan nilai p < 0.05.
Artinya, model ini dapat digunakan untuk melakukan analisis regresi. Nilai R Square
adalah 1, yang menunjukkan bahwa seluruh variabilitas IPM dapat dijelaskan oleh HLS,
 RLS, dan PPK. Ini menunjukkan bahwa model regresi memberikan hasil yang sangat
baik dalam menjelaskan hubungan antara variabel independen dan IPM.

5.2 Kebijakan

Kebijakan yang dapat diambil dari studi kasus yang ada, antara lain :

1. Untuk Pendidikan
Harapan Lama Sekolah (HLS) dan Rata-rata Lama Sekolah (RLS) memiliki pengaruh
yang sangat besar terhadap Indeks Pembangunan Manusia (IPM). Meningkatkan
pendidikan dan kualitas pendidikan di wilayah studi sangat penting untuk meningkatkan
IPM. Fokus pada program-program pendidikan yang mendukung peningkatan Harapan
Lama Sekolah (HLS) dan Rata-rata Lama Sekolah (RLS). Investasikan dalam fasilitas
pendidikan yang memenuhi standar kualitas.

2. Untuk pengembangan Per Kapita

Pengeluaran Per Kapita (PPK) juga memiliki pengaruh positif terhadap IPM,
meskipun dengan kekuatan yang sedikit lebih rendah dibandingkan dengan HLS dan
RLS. Dorong pertumbuhan ekonomi dan kebijakan redistribusi yang memungkinkan
peningkatan pengeluaran per kapita di wilayah studi kasus Papua.

3. Untuk faktor pendukung

HLS, RLS, dan PPK adalah faktor-faktor penting, konstanta dalam persamaan regresi
memiliki dampak yang sangat kecil pada IPM dan bisa diabaikan. Meskipun faktor-
faktor utama adalah HLS, RLS, dan PPK, tidak boleh diabaikan faktor-faktor lain seperti
kesehatan, lingkungan, dan faktor sosial lainnya. Analisis ini memberikan wawasan
yang penting untuk perencanaan dan pengembangan wilayah studi. Penting untuk
melakukan pemantauan dan evaluasi berkala terhadap implementasi kebijakan dan
dampaknya terhadap IPM.

5. Unruk Pemerintah
Untuk mencapai peningkatan IPM yang signifikan, diperlukan kerjasama dengan
berbagai pihak terkait seperti pemerintah, lembaga pendidikan, sektor swasta, dan
masyarakat setempat. Bangun kemitraan dan kolaborasi yang kuat dengan semua
stakeholder terkait untuk mendukung implementasi kebijakan peningkatan IPM.

6. Untuk Masyarakat
Edukasi dan kesadaran masyarakat juga merupakan faktor penting. Masyarakat perlu
diberikan pemahaman tentang pentingnya pendidikan dan investasi dalam kesejahteraan
ekonomi. Sosialisasikan dan tingkatkan kesadaran masyarakat tentang pentingnya
pendidikan, peningkatan ekonomi, dan kesejahteraan.

Dengan menerapkan kebijakan-kebijakan ini, diharapkan bahwa wilayah studi akan

mengalami peningkatan signifikan dalam Indeks Pembangunan Manusia (IPM),
mencerminkan peningkatan kualitas hidup dan pembangunan masyarakat Papua secara
keseluruhan.