[S4] TEKNIK PENGOLAHAN DATA PERENCANAAN (06 Juni 2021)

LAPORAN TUGAS BESAR TEKNIK PENGOLAHAN DATA PERENCANAAN Disusun untuk memenuhi tugas mata kuliah Teknik Pengolahan Data Perencanaan

Dosen Pengampu : Khristiana Dwi Astuti, S.T., M.T. NIP 198101252012122001 Reny Yesiana, S.T., M.T. NIP 198305230115012050 Pratamaningtyas Anggraini, S.T., M.T. NIP H.7.198706122018072001 Disusun oleh: Veni Aprisal Ahmad Yanuar Hakim Jihan Shonia Pardcipta Anindya Ridha Purnamasari Febrian Alvito Deannova Bagas Prakoso Milza Qoharani Hasyasya

40030619650008 40030619650009 40030619650014 40030619650022 40030619650028 40030619650070 40030619650079

PRODI STR PERENCANAAN TATA RUANG DAN PERTANAHAN DEPARTEMEN SIPIL DAN PERENCANAAN SEKOLAH VOKASI UNIVERSITAS DIPONEGORO SEMARANG 2021

KATA PENGANTAR Puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa karena atas rahmat dan karunia-Nya kami dapat menyelesaikan laporan tugas besar mata kuliah Teknik Pengolahan Data Perencanaan ini dengan tepat waktu.

Adapun

tujuan

dari

penulisan

dari

makalah

ini

adalah

untuk

mengaplikasikan penggunaan berbagai teknik pengolahan data khususnya dalam bidang perencanaan tata ruang. Secara umum, laporan ini membahas tentang penggunaan teknik analisis deskriptif, kuantitatif, dan kualitatif.

Kami selaku penulis menyadari sepenuhnya bahwa dalam penyusunan makalah ini tidak lepas dari bantuan dan masukan berbagai pihak, sehingga pada kesempatan ini kami ucapkan terimakasih kepada: 1. Ibu Khristiana Dwi Astuti, S.T., M.T., Ibu Reny Yesiana, S.T., M.T., dan Ibu Pratamaningtyas Anggraini, S.T., M.T., selaku dosen pengampu mata kuliah Teknik Pengolahan Data Perencanaan yang senantiasa membimbing penulis dalam perkuliahan serta penyusunan laporan ini.

2. Orangtua kami yang senantiasa memberikan doa dan dukungan agar laporan ini dapat terselesaikan dengan baik dan lancar.

3. Teman-teman Kelompok 3 Penulis menyadari bahwa di dalam laporan ini masih jauh dari kata sempurna, untuk itu kami mohon maaf apabila terdapat kesalahan atau kekurangan yang ada. Kami pun mengharapkan adanya kritik dan saran yang membangun dari pembaca guna menjadi acuan dan bekal kami sehingga dapat lebih baik lagi dalam pembuatan laporan di masa mendatang.

Demikian laporan tugas besar ini kami susun, semoga dapat memberikan manfaat bagi pembaca. Terima kasih.

Semarang,

Mei 2021

Kelompok 3 PTRP A

iii

DAFTAR ISI KATA PENGANTAR ........................................................................................... iii DAFTAR ISI .......................................................................................................... iv BAB I PENDAHULUAN ....................................................................................... 2 1.1 Latar Belakang ............................................................................................ 2 1.2 Tujuan ......................................................................................................... 2 1.3 Sasaran ........................................................................................................ 2 1.4 Ruang Lingkup Materi ................................................................................ 3 1.5 Sistematika Pembahasan ............................................................................. 3 BAB II STATISTIK DESKRIPTIF ........................................................................ 5 2.1 Deskripsi ..................................................................................................... 5 2.2 Keterkaitan Data dengan Tata Ruang ......................................................... 6 2.3 Pembahasan ................................................................................................. 6 2.4 Kesimpulan ............................................................................................... 20 BAB III TABULASI SILANG ............................................................................. 21 3.1 Deskripsi ................................................................................................... 21 3.2 Keterkaitan Data dengan Tata Ruang ....................................................... 22 3.3 Pembahasan ............................................................................................... 23 3.4 Kesimpulan ............................................................................................... 37 BAB IV KORELASI DAN REGRESI ................................................................. 38 4.1 Deskripsi ................................................................................................... 38 4.2 Keterkaitan Data dengan Tata Ruang ....................................................... 39 4.3 Pembahasan ............................................................................................... 40 4.4 Kesimpulan ............................................................................................... 48 BAB V DISKRIMINAN ....................................................................................... 50 5.1 Deskripsi ................................................................................................... 50 5.2 Keterkaitan Data dengan Tata Ruang ....................................................... 51 5.3 Pembahasan ............................................................................................... 52 5.4 Kesimpulan ............................................................................................... 60 BAB VI STRUCTURAL EQUATION MODELLING (SEM) ............................ 61 6.1 Deskripsi ................................................................................................... 61

iv

6.2 Keterkaitan Data dengan Tata Ruang ....................................................... 62 6.3 Pembahasan ............................................................................................... 64 6.4 Kesimpulan ............................................................................................... 76 BAB VII ANALISIS CLUSTER .......................................................................... 77 7.1 Deskripsi ................................................................................................... 77 7.2 Keterkaitan Data dengan Tata Ruang ....................................................... 78 7.3 Pembahasan ............................................................................................... 78 7.4 Kesimpulan ............................................................................................. 100 BAB VIII PENGKODEAN DATA HASIL WAWANCARA ........................... 101 8.1 Deskripsi ................................................................................................. 101 8.2 Keterkaitan Data dengan Tata Ruang ..................................................... 102 8.3 Pembahasan ............................................................................................. 103 8.4 Kesimpulan ............................................................................................. 112 BAB IX PENSKORAN DAN PEMBOBOTAN ................................................ 113 9.1 Deskripsi ................................................................................................. 113 9.2 Keterkaitan Data dengan Tata Ruang ..................................................... 114 9.3 Pembahasan ............................................................................................. 114 9.4 Kesimpulan ............................................................................................. 123 BAB X PENUTUP.............................................................................................. 125 DAFTAR PUSTAKA ......................................................................................... 127 LAMPIRAN ........................................................................................................ 131

v

BAB I PENDAHULUAN

1.1 Latar Belakang Seiring berkembangnya zaman permasalahan demi permasalahan di berbagai bidang pun menjadi semakin kompleks, sehingga diperlukan suatu cara untuk menyelesaikan permasalahan tersebut. Hal yang sama juga berlaku bagi permasalahan penataan ruang. Agar penelitian dalam konteks peerencanaan tata ruang dapat mencapai sasaran yang diinginkan, maka perlu sebuah teknik penyelesaian yang sesuai dengan permasalahan yang dikaji.

Setiap kegiatan penelitian, baik itu dilakukan melalui pendekatan kuantitatif maupun kualititatif tidak akan terlepas dari data, pengolahan data dan analisisnya. Data merupakan bahan baku informasi untuk memberikan gambaran spesifik tentang obyek penelitian yang kita teliti. Data adalah faktafakta yang timbul pada situasi khusus yang diperoleh oleh peneliti guna memecahkan masalah atau menjawab pertanyaan penelitian. (Aedi, 2010; Suradika, 2020). Data dapat berupa angka, kata pengukuran, observasi, atau deskripsi. Data memiliki peranan yang penting dalam bidang perencanaan, pelaksanaan, pengawasan dan evaluasi (Nasional, 2008). Dijelaskan dalam Undang Undang No. 25 Tahun 2004 Pasal 31 dimana perencanaan pembangunan didasarkan pada data dan informasi yang akurat dan dapat di pertanggung jawabkan. Sehingga dalam melakukan perencanaan harus benarbenar menggunakan data yang factual dan perlu validasi lebih lanjut.

Pengolahan data menjadi penting untuk dilakukan karena dengan adanya proses pengolahan data yang telah diperoleh menjadi memiliki arti dan makna.

2

Yang mana kemudian akan membawa informasi yang relevan sehingga dapat digunakan untuk pemecahan masalah (Astuti, 2021). Pengolahan dan analisis data hasil penelitian berbeda satu dengan lainnya, pengolahan data dilakkukan setelah peneliti menyelesaikan seluruh rangkaian kegiatan penelitian. Setelah hasil penelitian tersebut diolah, maka kegiatan berikutnya adalah melakukan analisis data dan biasanya kegiatan ini ditempatkan pada bagian menjelang akhir yakni sebelum peneliti menyimpulkan hasil penelitian (Aedi, 2010).

Data yang digunakan kelompok kami sendiri merupakan analisis data kuantitatif yang dalam pengolahannya menggunakan aplikasi SPSS dan WarpPLS karena saling berhubungan dan juga termasuk dalam ruang lingkup statistic. Pada umumnya diarahkan untuk menguji hipotesis. Kebenaran hipotesis penelitian harus dibuktikan berdasarkan data yang telah dikumpulkan.

Hipotesis penelitian adalah jawaban sementara terhadap rumusan masalah yang diajukan dalam penelitian kuantitatif(Zein et al., 2019). Sehingga dari hasil pengolahan analisis data tersebut dapat menghasilkan kesimpulan dan hasil sesuai dengan yang kita cari atau yang kita butuhkan dalam pembuatan laporan.

Oleh karena itu, laporan tugas besar mata kuliah Teknik pengolahan Data Perencanaan ini akan membahas mengenai pembelajaran dari pengaplikasian berbagai teknik analisis pada konteks perencanaan tata ruang.

1.2 Tujuan Tujuan yang hendak dicapai dari penyusunan laporan ini adalah untuk menerapkan berbagai teknik analisis pada konteks perencanaan tata ruang.

1.3 Sasaran Untuk mewujudkan tujuan tersebut maka dibutuhkan sasaran sebagai berikut.

1. Menjelaskan definisi dan penggunaan dari tiap teknik analisis 2. Melakukan proses pengaplikasian teknik analisis untuk data yang telah diperoleh 3. Menjelaskan interpretasi terhadap hasil analisis yang telah dilakukan

2

1.4 Ruang Lingkup Materi Ruang lingkup materi yang dibahas dalam laporan ini, yaitu: 1. Pembelajaran dari teknik analisis deskriptif secara kuantitatif yang meliputi statistik deskriptif dan tabulasi silang 2. Pembelajaran dari teknik analisis kuantitatif yang meliputi korelasi dan regresi, diskriminan, dan Structural Equation Modelling (SEM) 3. Pembelajaran dari teknik analisis multivariate yang meliputi analisis cluster (Hierarchical Cluster dan K-Means Cluster) 4. Pembelajaran dari teknik analisis desriptif secara kualitatif yang meliputi pengkodean data hasil wawancara

1.5 Sistematika Pembahasan Sistematika pembahasan dalam laporan ini, yaitu:

BAB I

PENDAHULUAN Bab ini berisi tentang latar belakang, tujuan, sasaran, ruang lingkup materi, dan sistematika pembahasan.

BAB II

STATISTIK DESKTRIPTIF Memuat uraian mengenai penggunaan statistik deskriptif

BAB III

TABULASI SILANG Memuat uraian mengenai penggunaan tabulasi silang

BAB IV

KORELASI DAN REGRESI Memuat uraian mengenai penggunaan korelasi dan regresi

BAB V

DISKRIMINAN Memuat uraian mengenai penggunaan diskriminan

BAB VI

STRUCTURAL EQUATION MODELLING (SEM) Memuat uraian mengenai penggunaan Structural Equation Modelling (SEM)

BAB VII

ANALISIS CLUSTER Memuat uraian mengenai penggunaan analisis cluster

BAB VIII

PENGKODEAN DATA HASIL WAWANCARA Memuat uraian mengenai penggunaan teknik pengkodean dalam wawancara

3

BAB IX

PENSKORAN DAN PEMBOBOTAN Memuat uraian mengenai penggunaan teknik penskoran dan pembobotan

BAB X

PENUTUP Bab terakhir berisi kesimpulan. Kesimpulan menyajikan secara ringkas seluruh penemuan yang ada pada pembahasan laporan.

4

BAB II STATISTIK DESKRIPTIF

2.1 Deskripsi Menurut Husain Usman, statistik deskriptif atau statistik dalam arti sempit, ialah susunan angka yang memberi gambaran tentang data yang disajikan dalam bentuk-bentuk tabel, diagram, histogram, poligon, frekuensi, ozaiv (ogive), ukuran penempatan (median, kuartil, desil, dan persentil), ukuran gejala pusat (rata-rata hitung, rata-rata ukur, rata-rata harmonik, dan modus), simpangan baku, angka baku, kurva normal, korelasi, dan regresi linier (I. Hasan, 2001). Menurut Walpole (1995) Statistika deskriptif adalah metodemetode yang berkaitan dengan pengumpulan dan penyajian suatu data sehingga memberikan informasi yang berguna(Walpole & Myers, 1995) Statistik deskriptif berfungsi untuk mendeskripsikan atau memberi gambaran terhadap objek yang diteliti melalui data sampel atau populasi (Sugiyono, 2007). Data yang disajikan dalam statistik deskriptif biasanya dalam bentuk ukuran pemusatan data (Kuswanto, 2012). Salah satu ukuran pemusatan data yang biasa digunakan adalah mean (Fauzy, 2009). Data yang telah diperoleh dari suatu penelitian yang masih berupa acak yang dapat dibuat menjadi data yang berkelompok, dimana data tersebut telah disusun ke dalam kelas-kelas tertentu. Daftar yang memuat data berkelompok itu sendiri disebut distribusi frekuensi atau table frekuensi. Distribusi frekuensi yaitu susunan data menurut kelas interval tertentu atau menurut kategori tertentu dalam sebuah daftar(M. I. Hasan, 2001).

5

Menurut Ridwan (2003), distribusi frekuensi yaitu penyusunan suatu data mulai dari terkecil sampai terbesar yang membagi banyaknya data kedalam beberapa kelas. Kegunaan data yang masuk dalam distribusi frekuensi adalah Untuk memudahkan data dalam penyajian, mudah dipahami, dan mudah dibaca sebagai informasi, pada gilirannya digunakan untuk perhitungan membuat gambar statistik dalam berbagai bentuk penyajian data (Riduwan, 2003).

2.2 Keterkaitan Data dengan Tata Ruang Menurut BPS, kepadatan penduduk adalah banyaknya penduduk per satuan luas. Kepadatan penduduk kasar atau crude population density (CPD) menunjukkan jumlah penduduk untuk setiap kilometer persegi luas wilayah.

Luas wilayah yang dimaksud adalah luas seluruh daratan pada suatu wilayah administrasi. Disebutkan juga kegunaan dari kepadatan penduduk adalah sebagai dasar kebijakan pemerataan penduduk dalam program transmigrasi.

(BPS Indonesia, n.d.)

Jika dilihat dari sisi penataan ruang, kepadatan penduduk dapat digunakan sebagi input untuk melihat kebutuhan hunian dan fasilitas penunjang lainnya seperti fasilitas umum dan fasilitas sosial, termasuk ruang terbuka hijau (Rahmy, Faisal, & Soeriaatmadja, 2012). Selain itu, kepadatan penduduk juga dapat menjadi salah satu faktor dari terjadinya fenomena alih fungsi lahan dari lahan non-terbangun menjadi lahan terbangun. Hal ini disebabkan semakin banyak jumlah penduduk di suatu wilayah semakin tinggi pula permintaan lahan, yang mana seperti telah kita ketahui lahan bersifat tetap dan terbatas (Permanasari, Bisri, & Suharyanto, 2012).

2.3 Pembahasan Dengan zaman yang semakin berkembang kebutuhan akan lahan baik untuk perumahan maupun bercocok tanam semakin meningkat. Pada umumnya Pemerintah dapat memahami akan kebutuhan masyarakat disebabkan karena kurangnya persediaan tanah bagi rakyat, akan tetapi banyak sekali diantaranya tanah-tanah tersebut dipakai oleh individu maupun

6

kelompok tanpa menggunakan izin dari pihak yang berwajib maupun yang berhak. Tanah-tanah tersebut diantaranya tanah-tanah hutan lindung, persawahan dan perkebunan. Maka dengan adanya pemakaian tanah yang mana secara tidak sah tersebut, Pemerintah melakukan tindakan yang nantinya untuk mencegah meluasnya perbuatan yang merugikan tersebut dengan mengeluarkan peraturan sebagai dasar hukumnya yaitu dalam bentuk PERPU No. 51 tahun 1960, yang mengatur tentang larangan pemakaian tanah tanpa izin yang berhak atau yang berkuasa (Putra, 2015). a. Studi Kasus Pertambahan jumlah penduduk di perkotaan akan selalu menuntut kebutuhan lahan untuk pemukiman, sehingga akan berdampak terhadap perubahan tata guna lahan di wilayah kota maupun daerah sekitarnya, hal ini sering disebut proses perembetan kenampakan fisik kekotaan kearah luar (urban sprawl). Apabila keadaan ini berlangsung secara terus-menerus akan menyebabkan kualitas lingkungan menurun, sehingga daya dukung lingkungan akan menurun pula (Wirosoedarmo, Haji, & Zulfikar, 2016).

Perubahan tata guna lahan akibat peningkatan jumlah penduduk di perkotaan mengakibatkan perubahan tata guna lahan terbuka menjadi permukiman. Areal permukiman telah mengakibatkan terjadinya penurunan kualitas air di DAS Brantas. Bahan pencemar berasal dari limbah domestik, limbah pertanian, limbah taman rekreasi, limbah pasar, limbah rumah sakit, dan limbah industri (Wirosoedarmo et al., 2016). Meluasnya wilayah maka semakin jauh cakupan prasarana dan sarana kota yang harus disediakan, berarti pula terjadi peningkatan kebutuhan investasi. Sisi negatif lainnya, terjadi inefisiensi penggunaan lahan, pemboroson energi dan waktu akibat panjangnya jarak tempuh, kemacetan dan diperparah oleh peningkatan polusi udara (Tondobala, 2015).

Selain itu, lahan yang semula merupakan daerah terbuka maupun daerah resapan air dan berubah menjadi daerah yang tertutup perkerasan yang mana bersifat kedap air akan menyebabkan, air hujan tidak dapat lagi meresap ke dalam tanah kondisi ini mengakibatkan peningkatan limpasan

7

di permukaan kemudian menjadi genangan atau banjir (Permanasari et al., 2012). b. Tujuan Tujuan dilakukannya praktikum ini, yaitu: • Mengetahui cara untuk melakukan analisis deskriptif kuantitatif (khususnya distribusi frekuensi) • Mengetahui kegunaan distribusi frekuensi • Mengetahui penerapan formula Microsoft Excel untuk membantu perhitungan distribusi frekuensi • Menerapkan teknik analisis pada konteks perencanan tata ruang c. Data Data yang kami gunakan dalam praktikum analisis statistik deskriptif adalah data kepadatan penduduk Kota Batu di tahun 2019 yang kami ambil dari BPS Kota Batu. Berikut merupakan datanya.

Kecamatan

Batu

Junrejo

Bumiaji

Desa/Kelurahan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Oro-Oro Ombo Temas Sisir Ngaglik Pesanggrahan Songgokerto Sumberejo Sidomulyo Tlekung Junrejo Mojorejo Torongrejo Beji Pendem Dadaprejo Pandanrejo Bumiaji Bulukerto Gunungsari Punten Tulungrejo Sumbergondo Giripurno Sumber Brantas

Kepadatan Penduduk (jiwa/km2) 668 4,387 6,787 3,563 1,908 1,298 2,558 3,080 477 2,818 2,773 1,706 3,429 3,171 3,301 933 763 586 1,004 2,167 151 286 1,034 878

Klasifikasi 1 4 6 3 2 1 3 3 1 3 3 2 3 3 3 1 1 1 1 2 1 1 1 1

Sumber: BPS Kota Batu, Kecamatan dalam Angka 2020

8

d. Langkah Pengerjaan Langkah-langkah dalam melakukan praktikum statistik deskriptif adalah sebagai berikut.

1) Membuka Microsoft Excel, kemudian masukkan data yang akan kita olah.

2) Melakukan beberapa perhitungan yang nantinya digunakan untuk pengklasifikasian dan pembuatan tabel distribusi frekuensi, seperti: • Nilai terkecil → menggunakan rumus “MIN”

• Nilai terbesar → menggunakan rumus “MAX”

9

• Rentang → menuliskan “=(nilai terbesar)-(nilai terkecil)”

• Banyak kelas → untuk menghitung banyak kelas kami menggunakan metode Sturgess, banyak kelas = 1 + 3,3 log N. N merupakan banyaknya data.

• Interval kelas → memasukkan rumus “(rentang)/(banyaknya kelas)”

10

3) Untuk memudahkan pembuatan tabel distribusi frekuensi, maka kami membuat batas bawah dan batas atas dari masing-masing kelas.

4) Membuat tabel “klasifikasi” dengan cara insert cells di samping nilai kepadatan penduduk.

5) Memasukkan formula “IF” pada cells pertama klasifikasi. Untuk menggunakan formula ini kita perlu memasukkan argumen-argumen.

Berikut formula yang kami masukkan: 11

“=IF(D2>=$J$7;"6";IF(D2>=$J$6;"5";IF(D2>=$J$5;"4";IF(D2>=$J$4; "3";IF(D2>=$J$3;"2";IF(D2>=$J$2;"1"))))))”

6) Membuat tabel distribusi frekuensi yang dilanjutkan dengan perhitungan frekuensi masing-masing kelas. Perhitungan ini menggunakan formula “COUNTIF”, yang mana bentuk pengaplikasiannya pada data kami sebagai berikut: “=COUNTIF($E$2:$E$25;M2)” → cells E2 hingga E25 merupakan range, dan M2 merupakan kriterianya.

12

7) Melengkapi tabel yang sudah jadi untuk melakukan perhitunganperhitungan statistik deskriptif lainnya.

8) Menghitung rata-rata dari data berkelompok. (Wibowo, 2012) 𝑀𝑒𝑎𝑛 =

∑𝑘𝑖=1(𝐹𝑖 𝑀𝑖 ) 𝑁

dimana: FiMi = nilai tengah dikalikan frekuensi kelas ke-i

13

n = banyaknya data k = banyaknya kelas Karena sudah dilakukan perhitungan sebelumnya, jadi mean pada ada lembar kerja Microsoft Excel dapat ditulis seperti di bawah ini:

9) Menghitung median dari data berkelompok.

Pertama, menghitung posisi median terlebih dahulu, dengan rumus: Posisi median = pada data ke-

(𝑁+1) 2

Selanjutnya, menghitung nilai mediannya dengan menggunakan rumus berikut: 𝑁 ( ) − 𝐹𝐾𝑏 𝑀𝑒𝑑𝑖𝑎𝑛 = 𝑇𝑏 + 2 ∙ 𝑖 𝐹

dimana: Tb = Tepi bawah dari kelas yang mengandung median N = banyaknya data FKb = frekuensi kumulatif dari kelas di bawahnya F = frekuensi dari kelas yang mengandung median i = interval kelas

14

10) Menghitung modus untuk data berkelompok.

Pertama, menghitung posisi modus terlebih dahulu, dengan cara melihat kelas yang memiliki frekuensi tertinggi.

Kemudian menghitung nilai modus dengan menggunakan rumus sebagai berikut: 𝑀𝑜𝑑𝑢𝑠 = 𝑇𝑏 +

𝑑1 ∙ 𝑖 𝑑1 + 𝑑2

dimana: Tb = Tepi bawah dari kelas yang mengandung modus d1 = Selisih frekuensi antara kelas yang mengandung modus dengan kelas sebelumnya d2 = Selisih frekuensi antara kelas yang mengandung modus dengan kelas sesudahnya i = interval kelas

11) Menghitung kuartil data berkelompok.

Pertama, menghitung posisi kuartil terlebih dahulu, dengan rumus: 15

Qk = nilai yang ke-

(𝑁+1) 4

𝑘, dimana k = 1, 2, 3 (posisi kuartil

Selanjutnya, menghitung nilai mediannya dengan menggunakan rumus berikut: 𝑄𝑘 = 𝑇𝑏 +

𝑁 (𝑘 4 ) − 𝐹𝐾𝑏 𝐹

∙ 𝑖

dimana: Qk = Kuartil ke-k Tb = Tepi bawah dari kelas yang mengandung Qk k = 1, 2, 3 N = banyaknya data FKb = frekuensi kumulatif dari kelas di bawah yang mengandung Qk F = frekuensi dari kelas yang mengandung Qk i = interval kelas

12) Membuat tabel untuk mempermudah perhitungan variansi dan standar deviasi.

16

13) Melakukan perhitungan varians data berkelompok. σ2 =

∑ 𝐹𝑖 (𝑀𝑖 − 𝑥̅ )2 𝑁

Jika diaplikasikan pada Excel tersebut, yaitu: “=U36/R36”

14) Melakukan perhitungan standar deviasi data berkelompok.

Standar Deviasi = √σ2 Jika diaplikasikan pada Excel tersebut, yaitu: “=SQRT(R38)” e. Interpretasi Dari praktikum tersebut, dapat kami peroleh beberapa hasil perhitungan sebagai berikut.

17

Tabel 1 Tabel Distribusi Frekuensi Kepadatan F Penduduk 151 - 1,345 11 1,346 - 2,539 3 2,540 - 3,734 8 3,735 - 4,929 1 4,930 - 6,123 0 6,124 - 7,318 1

Kelas 1 2 3 4 5 6

Persen 46% 13% 33% 4% 0% 4%

Jumlah

Diagram Frekuensi Masing-Masing Kelas Kepadatan Penduduk Kota Batu, 2019 12 10 8 6 4 2 0 1

2

3

4

5

6

Kelas

Tabel 2 Perhitungan 1 Kelas 1 2 3 4 5 6

Kepadatan Penduduk 151 - 1.345 1.346 - 2.539 2.540 - 3.734 3.735 - 4.929 4.930 - 6.123 6.124 - 7.318 ∑

M

F

FK

FiMi

748 1.942 3.137 4.332 5.526 6.721

11 3 8 1 0 1 24

11 14 22 23 23 24

8.226 5.827 25.097 4.332 0 6.721 50.204

• Rata-rata = 2.092 Rata-rata dari kepadatan penduduk di Kota Batu tahun 2019 adalah 2.092, yang mana jika ditengok kembali ke tabel data kepadatan penduduk terdapat 13 kelurahan yang memiliki kepadatan di bawah rata-rata. desa/kelurahan tersebut diantaranya: Tulungrejo, Sumbergondo, Tlekung, Bulukerto, Oro-Oro Ombo, Bumiaji, Sumber Brantas, Pandanrejo, Gunungsari, Giripurno, Songgokerto, Torongrejo, dan Pesanggrahan.

• Median = 1.743 Hasil perhitungan median atau nilai tengah dari kepadatan penduduk di Kota Batu tahun 2019 adalah 1.743, dimana berada pada kelas ke-2 (1.346 - 2.539)

18

• Modus = 522 Hasil perhitungan modus dari kepadatan penduduk di Kota Batu tahun 2019 adalah 522, dimana berada pada kelas ke-1 (151 - 1.345).

• Kuartil Bawah (Q1) = 802 Hasil perhitungan kuartil bawah (Q1) dari kepadatan penduduk di Kota Batu tahun 2019 adalah 802, dimana berada pada kelas ke-1 (151 - 1.345).

• Kuartil Atas (Q3) = 2.974 Hasil perhitungan kuartil atas (Q3) dari kepadatan penduduk di Kota Batu tahun 2019 adalah 2.974, dimana berada pada kelas ke-3 (2.540 3.734).

Tabel 3 Perhitungan 2 Kelas 1 2 3 4 5 6

Kepadatan Penduduk 151 - 1.345 1.346 - 2.539 2.540 - 3.734 3.735 - 4.929 4.930 - 6.123 6.124 - 7.318 ∑

M

F

748 1,942 3,137 4,332 5,526 6,721

11 3 8 1 0 1

(Mi-x)

24

-1,344 -149 1,045 2,240 3,435 4,629 9,856

(Mi-x)^2 1,806,329.76 22,300.37 1,092,718.00 5,017,582.66 11,796,894.34 21,430,653.05 41,166,478

Fi(Mi-x)^2 19,869,627.34 66,901.10 8,741,744.01 5,017,582.66 0.00 21,430,653.05 55,126,508

• Varians = 2.296.938 • Standar Deviasi = 1.516 • Koefisien Variasi = 72% Dengan melihat hasil perhitungan tersebut, dapat diketahui bahwa bentuk distribusi datanya tidak normal (distribusi menceng/skewed distribution) dan kurva distribusi yang terbentuk adalah menceng kanan atau kemencengan positif. Hal ini dikarenakan Modus < Median < Rata-rata ⇔ 522 < 1.743 < 2.092.

(Sumber: www.rumusstatistik.com)

19

2.4 Kesimpulan Dengan melakukan praktikum ini kami dapat mengetahui kegunaan dari distribusi frekusensi yaitu untuk mendapatkan informasi lebih dalam tentang data yang ada yang tidak dapat secara cepat diperoleh dengan melihat data aslinya. Dalam pengolahannya kami dapat menerapkan berbagai formula di Microsoft Excel untuk mempermudah proses perhitungan statistik deskriptif.

Dari hasil praktikum yang kami dapatkan, ditemukan bahwa bentuk distribusi data kepadatan penduduk di Kota Batu pada tahun 2019 adalah tidak normal (distribusi menceng/skewed distribution) dengan kurva distribusi yaitu menceng kanan atau kemencengan positif. Hal ini dikarenakan Modus < Median < Rata-rata ⇔ 522 < 1.743 < 2.092.

20

BAB III TABULASI SILANG

3.1 Deskripsi Santoso dan Tjiptono (2001, p137) mengatakan bahwa penelitian crosstab (tabulasi silang) menyajikan data dalam bentuk tabulasi yang meliputi baris dan kolom. Dengan demikian, ciri crosstab adalah adanya dua variabel atau lebih yang mempunyai hubungan secara deskriptif. Data untuk penyajian crosstab pada umumnya adalah data kualitatif, khususnya yang berskala nominal. Metode tabulasi silang digunakan untuk melihat hubungan antara dua variabel dalam satu tabel. Variabel yang dianalisis dengan metode ini adalah variabel yang bersifat kualitatif, yaitu yang memiliki skala nominal. Tabulasi silang merupakan cara termudah melihat asosiasi dalam sejumlah data dengan perhitungan persentase. Tabulasi silang merupakan salah satu alat yang paling berguna untuk mempelajari hubungan diantara variabel-variabel karena hasilnya mudah dikomunikasikan.

Selanjutnya tabulasi silang dapat memberikan masukkan atau pandangan mengenai sifat hubungan, karena penambahan satu atau lebih variabel pada analisis kualifikasi silang dua arah adalah sama dengan mempertahankan masing-masing variabel tetap konstan. Tabulasi silang dapat digunakan jika: 1. Salah satu variabel bersifat kualitatif dan lainnya kuantitatif 2. Kedua variabel berupa variabel kualitatif.

Sisi (kolom) sebelah kiri dan baris atas menyatakan kelas untuk kedua variabel yang digunakan. Untuk menginterpretasikan hasil pengolahan data pada tabulasi silang, ada dua hal yang perlu diperhatikan, yaitu:

21

1. Apakah tingkat asosiasi antar variabel yang diukur tersebut signifikan atau tidak.

2. Seberapa kuat tingkat asosiasi antar variabel yang diukur tersebut Variabel-variabel yang dipaparkan dalam suatu tabel tabulasi silang berguna untuk: 1. Menganalisis hubungan-hubungan antar variabel yang terjadi.

2. Melihat bagaimana kedua atau beberapa variabel berhubungan 3. Mengatur data untuk keperluan analisis statistik 4. Untuk mengadakan kontrol terhadap variabel tertentu sehingga dapat dianalisis tentang ada tidaknya hubungan palsu (spurious relations) 5. Untuk mengecek apakah terdapat kesalahan-kesalahan dalam kode ataupun jawaban dari daftar pertanyaan (kuisioner)

3.2 Keterkaitan Data dengan Tata Ruang Secara definitif perencanaan merupakan suatu kegiatan menetapkan dan mengambil keputusan dengan orientasi masa depan yang lebih baik. Dalam ilmu Perencanaan Tata ruang sendiri dibutuhkan keakuratan data agar tidak salah dalam mengambil keputusan. Salah satu ilmu yang mendukung hal tersebut adalah statistika. Pengambilan keputusan dapat diperhitungkan secara matematis dengan uji hipotesis dan sebagainya. Salah satu media perhitungan statistika yaitu SPSS yang merupakan software statistik yang menyediakan fasilitas tersebut terutama dalam Analisis Crosstab.

Dimana Crosstab atau Cross tabulation sendiri merupakan metode analisis dengan menyajikan data dengan dua variabel yang berbeda ke dalam satu matriks. Santoso dan Tjiptono (2001, p137) mengatakan bahwa penelitian crosstab (tabulasi silang) menyajikan data dalam bentuk tabulasi yang meliputi baris dan kolom. Dengan demikian, ciri crosstab adalah adanya dua variabel atau lebih yang mempunyai hubungan secara deskriptif. Data untuk penyajian crosstab pada umumnya adalah data kualitatif, khususnya yang berskala nominal. Santoso dan Tjiptono (2001, p176).

Analisis pada software SPSS yang digunakan untuk mengetahui hubungan atau keterkaitan antar dua variabel atau lebih yaitu Analisis Crosstab.

22

Metode tabulasi silang digunakan untuk melihat hubungan antara dua variabel dalam satu tabel. Variabel yang dianalisis dengan metode ini adalah variabel yang bersifat kualitatif, yaitu yang memiliki skala nominal. Tabulasi silang merupakan cara termudah melihat asosiasi dalam sejumlah data dengan perhitungan persentase. Tabulasi silang merupakan salah satu alat yang paling berguna untuk mempelajari hubungan diantara variabel-variabel karena hasilnya mudah dikomunikasikan.

3.3 Pembahasan a. Studi Kasus Penerapan analisis crosstabs ini diterapkan pada kalangan mahasiswa di Universitas Diponegoro jurusan Perencanaan Tata Ruang dan Pertanahan.

Penggunaan analisis crosstab sendiri dilakukan untuk melihat persepsi dan pilihan mahasiswa angakatan tiga tahun terakhir yaitu 2018,2019 dan 2020 dalam mengetahui semangat dan minat jurusan masing-masing mahasiswa.

Minat jurusan itu sendiri difokuskan pada kosentrasi Perencanaan Tata ruang dan pertanahan. Dalam penerapan analisis crosstabs ini mengambil responden (mahasiswa) sebanyak 25 orang baik itu mahasiswa laki-laki maupun perempuan serta dari Angkatan yang berbeda-beda b. Tujuan Analisis tabulasi silang atau Crosstabs digunakan untuk menghitung frekuensi dan persentase dua atau lebih variabel secara sekaligus dengan cara menyilangkan variabelvariabel yang dianggap berhubungan sehingga makna hungan dua variabel dapat mudah dipahami secara deskriptif. Tujuan dari analisis ini adalah mengidentifikasi korelasi antara satu variabel dengan variabel lainnya. Salah satu ciri dari penggunaan data crosstab yaitu data yang digunakan untuk input merupakan data berjenis nominal atau ordinal.

Sehingga menghasilakan output yang dapat dijelaskan secara deskriptif. c. Data Dalam analisis crosstabs menggunakan data berupa nama mahasiswa, angkatan, minat jurusan dan semangat belajar. Pada variabel angkatan

23

dikategorikan menjadi 3 yaitu angkatan tahun 2018,2019 dan 2020. Lalu pada variabel minat jurusan dibedakan menjadi 2 yaitu jurusan perencanaan tata ruang dan pertanahan. Sementara variabel semangat belajar dikategorikan menjadi 3 yaitu rendah, sedang dan tinggi. Berikut ini data persepsi mahasiswa terhadap minat jurusan dan semangat belajarnya : Nama

Angakatan

Veni Asya Kim Anindya Bagas Jihan Alvito Daffa Rini Raisa Amar Putri Ela Yosi Juan Carlos Aulia Joko Yanto Narto Saskeh Angel Dwi Oscar Gandung

2 3 1 2 3 3 2 2 1 1 2 2 1 3 2 2 3 3 2 2 3 2 2 1 2

Minat Jurusan 2 2 1 2 1 1 1 2 2 2 1 2 2 2 2 1 1 2 1 2 2 1 1 2 2

Semangat Belajar 3 2 2 3 2 3 2 3 3 1 1 1 2 3 2 1 2 2 3 3 3 2 2 1 2

Sumber: Olahan Kelompok 3, 2021

Keterangan: Minat Jurusan: 1 = tata ruang, 2 = pertanahan Semangat Belajar: 1 = rendah, 2 = sedang, 3 = tinggi Angkatan Tahun: 1 = 2018, 2 = 2019, 3 = 2020

d. Langkah Pengerjaan Langkah Langkah dalam meentukan presepsi mahasiswa terhadap minat jurusan dan semangat belajarnya menggunakan metode analisis crosstab: 1) Buka Software SPSS Statistics.

2) Isi “Variabel View” sesuai jenis data yang telah disiapkan sebelumnya.

24

3) Masukkan data yang telah disiapkan ke dalam “Data View”.

4) Setelah data dimasukkan Klik “Analyze” – “Descriptive Statistics” – “Crosstabs”.

25

5) Masukkan variabel pada “row(s)” dan “column(s)” seperti berikut. Serta centang “Display clustered bar charts”.

6) Klik “Statistics”, centang “Chi-square”, “Correlations”,kemudian pada nominal centang “Contingency coefficient”, “Phi and Cramer’s V”, “Lamda”, dan “Uncertainty coefficient”. Kemudian klik “Continue”.

Dan klik “OK” untuk mengakhiri.

7) Proses input dan pengolahan telah selesai. Hasil akan di tampilkan pada jendela output.

26

e. Interpretasi Minat Jurusan Dan Tahun Angkatan Crosstab Count 2018 Minat_Jrsn

Tata_Ruang Pertanahan

Total

1 4 5

Angkt_Tahun 2019 6 7 13

Total 2020 3 4 7

10 15 25

Pada tabel crosstabs dengan keterangan minat jurusan mahasiswa dan tahun angkatan diatas dapat dijelaskan sebagai berikut : • Pada jurusan perencanaan tata ruang terdapat 1 mahasiswa dari Angkatan 2018 yaitu Kim, lalu dari Angkatan 2019 sebanyak 6 mahasiswa yaitu Amar, Carlos, yanto, Angel, Dwi,

dan Alvito.

Sementara dari Angkatan 2020 sebanyak 3 orang yaitu Asyang memilih minat di jurusan ini yaitu mahasiswa bernama Jihan, Aulia, dan Bagas • Pada jurusan pertanahan lebih dari setengah mahasiswa memiliki minat dan ketertarikan di jurusan ini yaitu dari Angkatan 2018 sebanyak 4 orang yaitu Rini, Raisa, Ela dan Oscar. Dari Angkatan 2019 ada sebanyak 7 orang yaitu Anindya, Veni, Daffa, Putri, Juan, Narto, Gandung.

Sementara dari Angkatan 2020 ada sebanyak 4 orang yaitu Yosi, Joko, Saskeh dan Asya

Chi-Square Tests

27

Value

df

Asymptotic Significance (2sided)

Pearson Chi-Square

1.062a

2

.588

1.141

2

.565

Likelihood Ratio N of Valid Cases

25

a. 4 cells (66.7%) have expected count less than 5. The minimum expected count is 2.00.

Pada tabel Chi-Square Tests diatas merupakan dasar dalam pengambilan keputusan nantinya. Tapi sebelumnya kita perlu mengetahui dan membuat rumusan hipotesis (kesimpulan sementara) Rumusan Hipotesis a. Ho = tidak ada keterkaitan antara variabel angakatam, minat jurusan, semangat belajar dan mahasiswa b. Ha= ada keterkaitan antara variabel persepsi dengan variabel angakatan, minat jurusan, semangat belajar dan mahasiswa Nilai Signifikansi (Asymp. Sig) a. Jika Nilai Asymp sig (2-sided) < 0,05, maka artinya Ho ditolak Ha diterima b. Jika Nilai Asymp sig (2-sided) > 0,05, maka artinya Ho diterima Ha ditolak Berdasarkan tabel Chi-square test, Pearson Chi-square menunjukkan bahwa nilai Asymp. Sig adalah 0,588. Karena nilai Asymp. Sig. 0,588 > 0,05, maka berdasarkan dasar pengambilan keputusan di atas dapat disimpulkan bahwa H0 diterima dan Ha ditolak. Dengan demikian dapar diartikan bahwa ‘’ tidak ada hubungan ataupun keterkaitan antara variabel Angkatan jurusan maupun minat jurusan dari mahasiswa Universitas Diponegoro.

28

Directional Measures Value

Asymptotic

Approximate

Approximate

Standard

Tb

Significance

Errora Nominal by Nominal

Lambda

Goodman and Kruskal tau Uncertainty Coefficient

Symmetric

.000

.000

.b

.b

Minat_Jrsn Dependent

.000

.000

.b

.b

Angkt_Tahun Dependent

.000

.000

.b

.b

Minat_Jrsn Dependent

.042

.071

.601c

Angkt_Tahun Dependent

.018

.034

.644c

Symmetric

.027

.048

.563

.565e

.034

.060

.563

.565e

.022

.040

.563

.565e

Minat_Jrsn Dependent Angkt_Tahun Dependent

a. Not assuming the null hypothesis. b. Cannot be computed because the asymptotic standard error equals zero. c. Based on chi-square approximation d. Using the asymptotic standard error assuming the null hypothesis. c.

Likelihood ratio chi-square probability.

29

Tabel

Directional

Measures

digunakan

untuk

melihat

kesetaraan.serta cara pengukuran untuk hubungan yang tidak setara berdasarkan Proportional Reduction in Error (PRE).

Lambda Symmetric Approx.Sig Tabel tersebut menunjukkan bahwa nilai korelasi symmetric 0.000 (kurang dari 0.5). Hal ini dapat bermakna bahwa korelasinya lemah atau variabel independent (tahun angkatan) tidak dapat menolong dalam memprediksi variabel dependent (minat jurusan). Minat jurusan sebagai variabel dependent (terikat) dan tahun angkatan sebagai variabel independent (bebas), menunjukkan nilai signifikansi symmetric kurang dari 0.05 yaitu 0.000 yang berarti berarti kedua variabel memang berhubungan secara nyata.

Goodman and Kruskal tau Angka signifikansi Goodman and Kruskal tau untuk variabel minat jurusan sebagai variabel terikat adalah tidak signifikan (0.601 > 0.05) dan besar korelasinya pun tidak kuat karena angka korelasi 0.042 (kurang dari 0.5). Pada variabel tahun angkatan yang bertindak sebagai variabel terikat memiliki nilai signifikansinya 0.644 yang berarti tidak signifikan karena 0.644 > 0.05 dan korelasi yang lemah karena nilai korelasi adalah 0.018 (kurang dari 0.5). Hal ini dapat dimaknai variabel tahun angkatan tidak bisa memprediksi minat jurusan seorang mahasiswa, demikian pula sebaliknya.

Uncertainty Coefficient Dari angka signifikansi keduanya adalah tidak signifikan (> 0.05) dan besar korelasinya pun tidak kuat karena angka korelasi (< 0.5), ini berarti variabel tahun angkatan tidak bisa memprediksi minat jurusan, demikian pula sebaliknya.

Symmetric Measuresc Value Nominal by Nominal

Phi Cramer's V Contingency Coefficient

N of Valid Cases

.206 .206 .202 25

Approximate Significance .588 .588 .588

c. Correlation statistics are available for numeric data only.

30

Tabel Contingency Coefficient digunakan untuk melihat besarnya keterkaitan antara variabel-variabel : b. Apabila koefisien yang ditunjukkan dalam Tabel Symmetric Measures tersebut kolom Value >0,5 maka hubungan antar variabelnya kuat c. Apabila koefisien yang ditunjukkan dalam Tabel Symmetric Measures tersebut kolom Value <0,5 maka hubungan antar variabelnya lemah.

Pada Contingency Coefficient dari hasil pengolahan tabulasi silang antara variabel minat jurusan dan angkatan adalah sebesar 0,202. Sehingga dapat disimpulkan bahwa antara 2 variabel tersebut memiliki hubungan yang lemah karena < 0,5.

Ada 3 besaran untuk menghitung korelasi antara variabel minat jurusan dan angkatan memiliki angka signifikan 0,588 atau >0,05, maka dapat dikatakan terdapat hubungan nyata antara kedua variabel tersebut.

Terlihat diagram menggunakan Bar Chart. Dari diagram di atas dapat diketahui bahwa : • Pada jurusan perencanaan tata ruang terlihat bahwa Angkatan yang paling banyak berminat di jurusan ini yaitu dari tahun 2019 sebanyak 6 orang sedangkan dari Angkatan 2020 sebanyak 3 orang sementara dari Angkatan 2018 hanya 1 orang • Pada jurusan pertanahan terlihat bahwa Angkatan yang paling banyak berminat dijurusan ini yaitu dari tahun 2019 ada sebanyak 7 orang dan dari Angkatan 2018 dan 2020 sama yaitu sebanyak 4 orang

31

Minat Jurusan dan Semangat Belajar Crosstab Count

Minat_Jrsn

Tata_Ruang Pertanahan

Total

Rendah 2 3 5

Smngt_Bljr Sedang 6 5 11

Total Tinggi 2 7 9

10 15 25

Pada tabel crosstabs dengan keterangan minat jurusan mahasiswa dan semangat belajar diatas dapat dijelaskan sebagai berikut : • Pada jurusan perencanaan tata ruang terdapat 2 mahasiswa yang memiliki semangat belajar rendah yaitu Amar dan Carlos. Lalu ada 6 mahasiswa yang memiliki semangat belajar yang sedang yaitu Kim, Bagas, Alvito, Aulia, Angel dan Dwi. Sementara itu untuk mahasiswa yang memiliki semangat belajar tinggi sebanyak 2 orang yaitu Jihan dan Yanto • Pada jurusan pertanahan terdapat 3 mahasiswa yang memiliki semangat belajar rendah yaitu Raisa, Putri dan Oscar. Lalu ada 5 mahasiswa yang memiliki semangat belajar yang sedang yaitu Asya, Ela, Joko, Gandung dan Juan. Sementara itu untuk mahasiswa yang memiliki semangat belajar tinggi sebanyak 7 orang yaitu Veni, Anindya, Dadda, Rini, Yosi, Narto dan Saskeh

Chi-Square Tests Value

Pearson Chi-Square Likelihood Ratio N of Valid Cases

2.155a 2.228 25

df

2 2

Asymptotic Significance (2sided) .340 .328

a. 4 cells (66.7%) have expected count less than 5. The minimum expected count is 2.00.

Pada tabel Chi-Square Tests diatas merupakan dasar dalam pengambilan keputusan nantinya. Tapi sebelumnya kita perlu mengetahui dan membuat rumusan hipotesis (kesimpulan sementara) Rumusan Hipotesis a. Ho = tidak ada keterkaitan antara variabel angakatam, minat jurusan, semangat belajar dan mahasiswa

32

b. Ha= ada keterkaitan antara variabel persepsi dengan variabel angakatan, minat jurusan, semangat belajar dan mahasiswa Nilai Signifikansi (Asymp. Sig) d. Jika Nilai Asymp sig (2-sided) < 0,05, maka artinya Ho ditolak Ha diterima e. Jika Nilai Asymp sig (2-sided) > 0,05, maka artinya Ho diterima Ha ditolak Berdasarkan

tabel

Chi-square

test,

Pearson

Chi-square

menunjukkan bahwa nilai Asymp. Sig adalah 0,588. Karena nilai Asymp.

Sig. 0,340 > 0,05, maka berdasarkan dasar pengambilan keputusan di atas dapat disimpulkan bahwa H0 diterima dan Ha ditolak. Dengan demikian dapar diartikan bahwa ‘’ tidak ada hubungan ataupun keterkaitan antara variabel semangat belajar maupun minat jurusan dari mahasiswa Universitas Diponegoro.

33

Directional Measures Value

Asymptotic

Approximate

Approximate

Standard

Tb

Significance

Errora Nominal by Nominal

Lambda

Goodman and Kruskal tau Uncertainty Coefficient

Symmetric

.125

.229

.525

.600

Minat_Jrsn Dependent

.100

.315

.302

.763

Smngt_Bljr Dependent

.143

.229

.581

.561

Minat_Jrsn Dependent

.086

.108

.355c

Smngt_Bljr Dependent

.054

.069

.276c

Symmetric

.052

.067

.773

.328d

Minat_Jrsn Dependent

.066

.085

.773

.328d

Smngt_Bljr Dependent

.042

.055

.773

.328d

a. Not assuming the null hypothesis. b. Using the asymptotic standard error assuming the null hypothesis. c. Based on chi-square approximation d. Likelihood ratio chi-square probability.

34

Tabel

Directional

Measures

digunakan

untuk

melihat

kesetaraan.serta cara pengukuran untuk hubungan yang tidak setara berdasarkan Proportional Reduction in Error (PRE).

Lambda Symmetric Approx.Sig Tabel tersebut menunjukkan bahwa nilai korelasi symmetric 0.125 (kurang dari 0.5). Hal ini dapat bermakna bahwa korelasinya lemah atau variabel independent (semangat belajar) tidak dapat menolong dalam memprediksi variabel dependent (minat jurusan). Minat jurusan sebagai variabel dependent (terikat) dan tahun angkatan sebagai variabel independent (bebas), menunjukkan nilai signifikansi symmetric lebih dari 0.05 yaitu 0.600 yang berarti berarti kedua variabel tidak berhubungan secara nyata.

Goodman and Kruskal tau Angka signifikansi Goodman and Kruskal tau untuk variabel minat jurusan sebagai variabel terikat adalah tidak signifikan (0.355 > 0.05) dan besar korelasinya pun tidak kuat karena angka korelasi 0.086 (kurang dari 0.5). Pada variabel semanagat yang bertindak sebagai variabel terikat nilai signifikansinya adalah 0.276 yang berarti tidak signifikan karena 0.276 > 0.05 dan korelasi yang lemah karena nilai korelasi adalah 0.054 (kurang dari 0.5). Hal ini dapat dimaknai variabel semangat belajar tidak bisa memprediksi minat jurusan seorang mahasiswa, demikian pula sebaliknya.

Uncertainty Coefficient Dari angka signifikansi keduanya adalah tidak signifikan (> 0.05) dan besar korelasinya pun tidak kuat karena angka korelasi (< 0.5), ini berarti variabel semangat belajar tidak bisa memprediksi minat jurusan, demikian pula sebaliknya.

Symmetric Measuresc Value Nominal by Nominal

Phi Cramer's V Contingency Coefficient

N of Valid Cases

.294 .294 .282 25

Approximate Significance .340 .340 .340

c. Correlation statistics are available for numeric data only.

35

Tabel Contingency Coefficient digunakan untuk melihat besarnya keterkaitan antara variabel-variabel : d. Apabila koefisien yang ditunjukkan dalam Tabel Symmetric Measures tersebut kolom Value >0,5 maka hubungan antar variabelnya kuat e. Apabila koefisien yang ditunjukkan dalam Tabel Symmetric Measures tersebut kolom Value <0,5 maka hubungan antar variabelnya lemah.

Pada Contingency Coefficient dari hasil pengolahan tabulasi silang antara variabel minat jurusan dan semangat belajar adalah sebesar 0,282.

Sehingga dapat disimpulkan bahwa antara 2 variabel tersebut memiliki hubungan yang lemah karena < 0,5.

Ada 3 besaran untuk menghitung korelasi antara variabel minat jurusan dan semangat belajar memiliki angka signifikan 0,340 atau > 0,05, maka dapat dikatakan tidak terdapat hubungan nyata antara kedua variabel tersebut.

Terlihat diagram menggunakan Bar Chart. Dari diagram di atas dapat diketahui bahwa : • Pada jurusan perencanaan tata ruang terlihat bahwa mahasiswa yang berminat dijurusan ini memiliki semangat belajar yang tinggi yaitu sebanyak 2 orang. Lalu mahasiswa yang memiliki semangat belajar sedang yaitu 6 orang. Sementara yang memiliki semangat rendah sebanyak 2 orang

36

• Pada jurusan pertanahan terlihat bahwa mahasiswa yang berminat dijurusan ini memiliki semangat belajar yang tinggi yaitu sebanyak 7 orang. Lalu mahasiswa yang memiliki semangat belajar sedang yaitu 5 orang. Sementara yang memiliki semangat rendah sebanyak 3 orang.

3.4 Kesimpulan Pada Contingency Coefficient antara variabel minat jurusan dan semangat belajar adalah sebesar 0,282. Dan kurang dari 0,5 berarti 2 variabel memiliki hubungan yang lemah. 3 besaran untuk menghitung korelasi minat jurusan dan semangat belajar memiliki angka 0,340 lebih besar dari 0,05 artinya tidak ada hubungan antara 2 variabel tersebut. Dan hasil dari barchart antara minat jurusan dan semangat belajar mendapatkan hasil : pada jurusan perencanaan mahasiswa yang memiliki semangat belajar tinggi 2 mahasiswa, 6 siswa semangat belajar sedang, dan yang memiliki semangat belajar rendah 2 mahasiswa. Pada jurusan pertanahan 7 mahasiswa memiliki semangat belajar tinggi, 5 mahasiswa memiliki semangat belajar sedang, serta 3 mahasiswa memiliki semangat belajar rendah.

37

BAB IV KORELASI DAN REGRESI

4.1 Deskripsi Analisis regresi adalah suatu metode analisis statistik yang digunakan untuk melihat pengaruh antara dua atau lebih banyak variabel. Umumnya, analisis regresi digunakan untuk melakukan prediksi atau ramalan. Sedangkan, hubungan variabel tersebut bersifat fungsional yang diwujudkan dalam suatu model matematis. Selain itu, analisis regresi juga dipakai untuk memahami variabel yang berhubungan dengan variabel terkait untuk mengetahui bentukbentuk hubungan tersebut. Secara umum, manfaat penggunaan analisis regresi untuk mengetahui variabel-variabel kunci yang memiliki pengaruh terhadap suatu variabel bergantung pemodalan, pendugaan, atau peramalan Pada analisis regresi, variabel dibedakan menjadi dua bagian, yaitu variabel respons (response variable) atau biasa juga disebut variabel bergantung (dependent variable), dan variabel explanatory atau biasa disebut penduga (predictor variable) atau disebut juga variabel bebas (independent variable). Regresi terbagi menjadi beberapa jenis, yaitu regresi sederhana (linier sederhana dan nonlinier sederhana) dan regresi berganda (linier berganda atau nonlinier berganda).

Kegunaan analisis regresi adalah untuk mengetahui variabel-variabel kunci yang memiliki pengaruh terhadap suatu variabel bergantung, pemodelan, serta pendugaan (estimation) atau peramalan (forecasting). Selain itu, masih ada beberapa kegunaan lainnya, yakni:

38

1. Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan pada nilai variabel bebas 2. Untuk menguji hipotesis karakteristik dependensi 3. Meramalkan nilai rata-rata variabel bebas yang didasari nilai variabel bebas diluar jangkauan simpel.

Analisis korelasi merupakan metode yang digunakan untuk mengetahui ada atau tidaknya hubungan linier, antara variabel terikat dengan variabel bebas.

Jika dalam pengaplikasian metode tersebut ditemukan pengaruh, maka perubahan yang terjadi pada variabel x akan mengakibatkan adanya perubahan juga pada variabel y atau variabel lainnya. Adapun manfaat analisis korelasi yaitu 1. Dapat mengukur beberapa hubungan variabel 2. Dapat memotivasi kerja terhadap produktivitas variabel 3. Dapat menemukan kualitas dengan layanan 4. Dapat melakukan tingkatan inflasi pada variabel yang tertentu

4.2 Keterkaitan Data dengan Tata Ruang Analisis korelasi dan regresi banyak digunakan dalam berbagai bidang ilmu. Salah satunya dalam bidang penataan ruang yaitu perencanaan wilayah dan kota. Untuk merencanakan suatu wilayah dan kota sangat memerlukan dukungan dari data-data yang lengkap dan akurat. Data yang lengkap dan akurat ini tadi akan menjadi bahan atau modal utama dalam proses perencanaan itu nantinya. Sehingga dapat diimplementasikan dengan baik dan tepat sasaran.

Apalagi perencanaan yang bersifat problem based, harapannya dapat mengatasi permasalahan yang ada di wilaah atau kota tersebut.

Untuk mewujudkan tujuan perencanaan tersebut dapat tercapai dengan baik, maka data-data yang didapat harus diolah dengan baik agar menjadi suatu informasi yang mendukung serta mudah dipahami. Pengolahan data tersebut salah satunya menggunakan metode analisis korelasi dan regresi. Analisis korelasi dan regresi ini digunakan untuk untuk melihat hubungan dari suatu variabel. Secara singkatnya tujuan analisis korelasi adalah ingin mengetahui apakah ada hubungan antara dua variabel atau lebih. Sedangkan tujuan analisis

39

regresi adalah untuk memprediksi seberapa jauh pengaruh yang ada tersebut (yang telah dianalisis melalui analisis korelasi). Penerepannya dalam konteks perencanaan wilayah atau kota seperti pada masalah pertumbuhan ekonomi suatu wilayah. Dalam metode analisis korelasi dilakukan untuk melihat adakah hubungan pertumbuhan ekonomi wilayah dengan variabel jumlah angkatan kerja dan pengangguran. Sementara dengan metode regresi ingin mempredeksi seberapa jauh pengaruh jumlah angkatan kerja dan pengangguran tersebut terhadap pertumbuhan ekonomi wilayah Penggunaan analisis korelasi dan regresi dalam permasalahan ini sangat membantu memudahkan proses perencanaan wilayah atau kota. Sebagai seorang planner, kita harus mengetahui semua aspek yang terkait dengan wilayah tersebut. Mulai dari segi ekonomi, kependudukan, fisik alam dan lain sebagainya. Oleh karena itu, untuk mencapai pembangunan berkelanjutan, penataan ruang dapat digunakan sebagai payung kebijakan pembangunan dan pengendalian dalam implementasinya. Sistem perencanaan pembangunan nasional dan perencanaan tata ruang sama-sama menekankan suatu proses untuk menentukan tindakan masa depan yang tepat melalui urutan pilihan (prioritas) secara berhirarki dengan memperhitungkan sumberdaya yang tersedia. Namun, perencanaan tata ruang memiliki fokus kepada aspek fisik spasial yang mencakup perencanaan struktur ruang dan pola pemanfaatan ruang.

4.3 Pembahasan Analisis korelasi dan regresi ini bertujuan untuk melihat dan memprediksi hubungan suatu variabel dengan variabel lainnya. Secara singkatnya tujuan analsisi korelasi adalah ingin mengetahui apakah ada hubungan antara dua variabel atau lebih. Sedangkan tujuan analisis regresi adalah untuk memprediksi seberapa jauh pengaruh yang ada tersebut (yang telah dianalisis melalui analisis korelasi). Dimana dalam analisis ini terdapat variabel terikat atau dependent dan variabel bebas atau dependent. a. Studi Kasus

40

Penerapan analisis korelasi dan regresi ini terjadi pada permasalahan yang ditimbulkan di Kota Batu. Penggaguran merupakan permasalahan yang sering terjadi pada setiap wilayah tidak terkecuali Kota Batu, pengganguran terjadi disebabkan jumlah penduduk yang meningkat tetapi lapagan kerja yang sedikit atau minim menyebabkan banyaknya penggaguran terjadi. Faktor lainya terjadi bisa dikarenakan tingkat pendidikan yang rendah dan sumber daya manusia yang rendah menyebabkan masyarakatan kesulitan dalam melamar kerja yang menyebabkan bertambahnya pengganguran Suatu daerah dapat dikatakan maju apabila ditunjang dari segi pengetahuan masyarakat yang tinggi, adanya sumber daya alam yang cukup memadai yang dikelola oleh sumber daya manusia yang mempunyai potensi besar guna mencapai kemajuan pembangunan daerah.

Salah satu indikasinya adalah minimnya pengangguran didaerah tersebut, apabila pengangguran dapat ditekan maka bisa dikatakan daerah tersebut telah bisa memanfaatkan sumber daya manusianya guna meningkatkan pembangunan daerah.(Novia Putri, Sudarti, & Hadi, 2017) Pertumbuhan ekonomi ini pun di Kota Batu mengalami peningkatan yang fluktuatif dalam 7 tahun terakhir. Hal ini dapat dilihat dari meningkatnya angka produk domestik regional bruto yang meningkat setiap tahunnya.

Adam Smith dalam teori klasiknya menjelaskan bahwa pengangguran dapat dikurangi dengan pertumbuhan ekonomi yang pesat dan tinggi. Begitu pula dengan (Nuraini, 2017) dalam jurnalnya menyebutkan bahwa pertumbuhan ekonomi harusnya mencerminkan tingkat kesejahteraan masyarakat, namun syaratnya adalah bahwa Produk Regional Domestik Bruto harus dibarengi dengan pengendalian laju inflasi. Pertumbuhan ekonomi yang tidak dibarengi dengan pertumbuhan inflasi akan menurunkan kesejahteraan masyarakat Selain pertumbuhan ekonomi, jumlah angkatan kerja pun dapat dijadikan salah satu penyebab tingginya angka pengangguran. Dari total penduduk usia kerja sekitar 76 persen lebih penduduk Kota Batu termasuk angkatan kerja. Badan Pusat Statistik mendefinisikan bahwa penduduk usia

41

kerja adalah penduduk berusia 15 tahun keatas, sedangkan bekerja adalah kegiatan yang dilakukan seseorang dengan maksut memperoleh atau membantu memperoleh pendapatan paling sedikit satu jam dalam seminggu yang lalu. Penduduk usia kerja tersebut terbagi dalam angkatan kerja yang mencakup bekerja dan mencari kerja serta bukan angkatan kerja terdiri dari penduduk yang sekolah dan mengurus rumah tangga (BPS Batu, 2008). b. Tujuan Adapun tujuan penggunaan analisis korelasi dan regresi dalam permasalahan jumlah pengangguran di Kota Batu tersebut adalah untuk melihat apakah ada pengaruh pertumbuhan ekonomi terhadap jumlah pengangguran dan kemiskinan. Serta untuk memprediksi seberapa jauh hubungan tersebut dapat mempengaruhi variabel c. Data Dalam analisis korelasi dan regresi ini digunakan tiga data yaitu data pertumbuhan ekonomi, pengangguran dan kemiskinan. Jenis data yang digunakan dalam penelitian Data tersebut merupakan data kuantitatif yang bersifat runtut waktu (time series) dalam kurun waktu tahun 2005-2015.

Jumlah pengangguran bertindak sebagai variabel dependent atau terikat (Y), sedangkan jumlah Angkatan kerja dan pertumbuhan ekonomi dijadikan sebagai variabel bebas atau independent (X1 dan X2). Adapun data tersebut disajikan dalam tabel dibawah ini; Tahun 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

Pertumbuhan Ekonomi 6.40 6.89 6.80 6.87 6.74 7.52 7.13 7.26 7.28 6.90 6.69

Angkatan Kerja

Pengganguran

73020 72014 72352 97259 102698 97692 99081 101733 103743 106777 105496

2455 1449 1584 8704 7069 5418 4526 3472 4808 7800 4526

Sumber: Putri, D. N., Sudarti, S., & Hadi, S. (2018)

42

d. Langkah Pengerjaan Langkah-langkah dalam melakukan praktikum korelasi dan regresi adalah sebagai berikut.

1) Mempersiapkan data yang dibutuhkan 2) Mengidentifikasi dan menentukan mana variabel terikat dan bebas dari data tersebut. Dalam hal ini didapatkan bahwa : Variabel Dependent = Pertumbuhan ekonomi (Y) Variabel Independent = pengangguran dan jumlah Angkatan kerja 3) Memasukkan data tersebut ke dalam aplikasi SPSS

Analisis Korelasi: 1) Pilih menu Analyze,lalu pilih Corellate bivariate untuk menggunakan metode analisis korelasi

2) Pilih variabel mana yang akan digunakan untuk analisis korelasi

43

3) Secara otomatis, SPSS akan mengolah data sehingga didapatkan output dari analisis korelasi

Analisis Regresi: 1) Pilih menu Analyze,lalu pilih regression linear untuk menggunakan metode analisis regresi

2) Pilih mana variabel dependent dan independent yang akan digunakan untuk analisis regresi

44

3) Secara otomatis, SPSS akan mengolah data sehingga didapatkan output dari analisis regresi

e. Interpretasi Dalam pratikum analisis korelasi dan regresi ini, dapat kami peroleh output perhitungan sebagai berikut : Analisis Korelasi Correlations Pertumbuhan_ ekonomi Pertumbuhan_ Pearson Correlation 1 ekonomi Sig. (2-tailed) N 11 Angkatan_kerj Pearson Correlation .427 a Sig. (2-tailed) .191 N 11 pengangguran Pearson Correlation .130 Sig. (2-tailed) .703 N 11 **. Correlation is significant at the 0.01 level (2-tailed).

Angkatan _kerja .427 .191 11 1 11 .738** .010 11

pengan gguran .130 .703 11 .738** .010 11 1 11

45

• Pertumbuhan Ekonomi dan Angkatan Kerja - Diperoleh nilai Signifikasi yaitu 0.191< 0.05, maka dinyatakan tidak berkorelasi dan tidak erdapat hubungan antara pertumbuhan ekonomi dan angkatan kerja serta sebaliknya - Diperoleh nilai Person Correlation 0.427, maka dinyatakan korelasi sedang dan mempunyai kekuatan hubungan yang sedang - Memiliki arah korelasi positiv (+) yang artinya memiliki sifat yang searah. Artinya jika pertumbuhan ekonomi dan angkatan kerja serta sebaliknya • Angkatan kerja dan pengangguran - Diperoleh nilai Signifikasi yaitu 0.010< 0.05, maka dinyatakan berkorelasi dan terdapat hubungan antara angkatan kerja dan pengangguran serta sebaliknya - Diperoleh nilai Person Correlation 0.738, maka dinyatakan korelasi kuat dan mempunyai kekuatan hubungan yang sedang - Memiliki arah korelasi positiv (+) yang artinya memiliki sifat yang searah. Artinya jika angkatan kerja meingkat maka peluang jumlah pengangguran juga akan bertambah begitu juga sebaliknya • Pertumbuhan ekonomi dan pengangguran - Diperoleh nilai Signifikasi yaitu 0.703< 0.05, maka dinyatakan tidak berkorelasi dan terdapat hubungan antara Pertumbuhan ekonomi dan pengangguran serta sebaliknya - Diperoleh nilai Person Correlation 0.130, maka dinyatakan korelasi lemah dan mempunyai kekuatan hubungan yang rendah Analisis Regresi Variables Entered/Removeda Model Variables Entered Variables Removed 1 pengangguran, Angkatan_kerjab a. Dependent Variable: Pertumbuhan_ekonomi b. All requested variables entered.

Method .

Enter

• Variables Entered/Removeda - Tabel diatas adalah pembagian variabel dalam metode regresi.

Variabel yang berfungsi sebagai : 46

Dependent: pertumbuhan ekonomi Independent: jumlah pengangguran dan Angkatan kerja - Variabel Dependent (Terikat) adalah variabel yang nilainya dipengaruhi atau bergantung pada nilai dari variabel lainnya. Artinya pertumbuhan ekonomi dipengaruhi oleh beberapa factor atau variabel lain - Variabel Independent (Bebas) adalah variabel yang menjadi sebab timbulnya atau berubahnya variabel terikat atau dengan kata lain variabel bebas dapat mempengaruhi variabel lainnya. Artinya nilai pertumbuhan ekonomi keumngkinan dapat disebabkan oleh factor jumlah pengangguran dang angatan kerja. Dimana jika kedua nilai variabel ini berubah maka akan berpengaruh pada pertumbuhan ekonomi.

Model Summary R Adjusted R Std. Error of Model Square Square the Estimate 1 .507a .257 .071 .30656 a. Predictors: (Constant), pengangguran, Angkatan_kerja R

• Model Summary - R sebesar 0,507 menunjukkan bahwa korelasi antara pertumbuhan ekonomi dengan kedua variabel bebasnya kuat

- Definisi kuat: karena nilai >0,5 - R square atau koef derterminasi adalah 0,257 (berasal dari 0, 507 x 0, 507). Hal ini berarti 25,7% pertumbuhan ekonomi bisa dijelaskan oleh 2 variabel independent tersebut. Sedangkan sisanya dijelaskan oleh sebab-sebab lain

- Standart Error of Estimation: 0,306. Makin kecil SEE akan membuat model regresi semakin tepat dalam memprediksi variabel dependent ANOVAa Sum of df Mean Square Squares 1 Regression .260 2 .130 Residual .752 8 .094 Total 1.011 10 a. Dependent Variable: Pertumbuhan_ekonomi b. Predictors: (Constant), pengangguran, Angkatan_kerja Model

F 1.381

Sig. .305b

47

• Anova - Sum of swuares (SS) atau jumlah kuadrat untuk regression diperoleh dari penjumlahan kuadrat prediksi variabel terikat (produktivitas hasil panen) dikurangi dengan nilai rata-rata pertumbuhan ekonomi dari data sebenarnya - Degree of freedom (df) atau derajat bebas dari total n-1, dimana n adalah banyaknya responden. Karena dalam data ini terdapat 11 responden, maka derajat bebas total adalah 10. Derajat bebas dari model regresi adalah 2, karena ada dua variabel bebas dalam perhitungan yaitu jumlah pengangguran dan angkatan kerja. Sehingga derajat bebas untuk residual adalah sisanya yaitu 10-2 = 8 - Mean of square (MS) atau rata-rata jumlah kuadrat. Ini adalah hasi bagi antara kolom SS dan kolom df

- Dari uji anova atau F test, diperoleh F Hitung sebesar 1,381 dengan signifikansi 0,305. Karena nilai Sig 0,305 < 0,05 maka hipotesis ditolak, yang artinya jumlah pengangguran dan jumlah Angkatan kerja tidak berpengaruh pada pertumbuhan eknomi suatu wilayah Coefficientsa Model Unstandardized Coefficients B Std. Error 1 (Constant) 5.661 .783 Angkatan_kerja 1.644E-5 .000 pengangguran -5.316E-5 .000 a. Dependent Variable: Pertumbuhan_ekonomi

Standardized Coefficients Beta .725 -.405

t

Sig.

7.230 1.606 -.897

.000 .147 .396

• Coefficients - Y = 5.661 + 1,644X1 -5316X2 Pertumbuhan Ekonomi = 5.661 + 1,644Angkatan kerja 5316Pengangguran

4.4 Kesimpulan Dalam melakukan pratikum ini kami dapat mengetahui kegunaan dari analisis korelasi dan regresi. Dimana analisis ini dilakukan untuk melihat pengaruh dari suatu variabel dan memprediksikan seberapa jauh hubungan tersebut. Penerapan analisis korelasi dan regresi pada permasalahan di Kota Batu ini untuk melihat hubungan atau pengaruh dari jumlah pengangguran dan

48

Angkatan kerja terhadap pertumbuhan ekonomi wilayahnya, didapatkan hasil bahwa tidak ditemukan hubungan dari variabel jumlah pengangguran dan Angkatan kerja terhadap tingkat pertumbuhan ekonomi disini. Hal ini dikarenakan nilai signifikansi yang melebih angka 0,05. Selain itu ditemukan bahwa adanya korelasi antara jumlah Angkatan kerja terhadap jumlah pengangguran, dimana jika angka dari Angkatan kerja meningkat maka kemungkinan jumlah pengangguran juga akan meingkat. Untuk itu jika melihat korelasi dari ketia variabel tersebut maka dalam tahap prediksiannya dinyatakan bahwa hipotesis ini ditolak atau tidak ada pengaruh Sehingga dapat disimpulkan bahwa pertumbuhan ekonomi wilayah di Kota Batu tidak ada hubungannya dengan kenaikan maupun penurunan Angkatan kerja dan jumlah pengangguran. Hipotesis tersebut sulit untuk dijadikan acuan karena nilai signifikansi yang melebihi standar angkanya.

Pertumbuhan ekonomi Kota Batu mengalami kenaikan maupun penurunan dapat disebabkan oleh faktor-faktor yang lain dan bersifat lebih kuat dari factor yang disebutkan dalam pratikum ini.

49

BAB V DISKRIMINAN

5.1 Deskripsi Analisis Diskriminan adalah salah satu teknik analisa Statistika dependensi yang memiliki kegunaan untuk mengklasifikasikan objek beberapa kelompok. Pengelompokan dengan analisis diskriminan ini terjadi karena adanya pengaruh dari satu atau lebih variabel lain yang merupakan variabel independen. Kombinasi linier dari variabel-variabel ini akan membentuk suatu fungsi diskriminan (Tatham et. al.,1998) Pengertian lain dari analisis diskriminan adalah teknik multivariate yang termasuk dependence method, yakni adanya variabel dependen dan variabel independen. Analisis diskriminan mirip regresi linier berganda (multivariable regression). Perbedaannya analisis diskriminan digunakan apabila variabel dependennya kategoris (maksudnya kalau menggunakan skala ordinal maupun nominal) dan variabel independennya menggunakan skala metric (interval dan rasio). Sedangkan dalam regresi berganda variabel dependennya harus metric dan jika variabelnya independen, bias metric maupun nonmetric. Menurut Malhotra, dalam analisis diskriminan terdiri dari lima tahap, yaitu 1. merumuskan masalah 2. mengestimasi koefisien fungsi diskriminan 3. menginterpretasi hasil 4. uji signifikansi 5. validasi fungsi diskriminan

50

Menurut Johnson and Wichern (1982:470), tujuan dari analisis diskriminan adalah untuk menggambarkan ciri-ciri suatu pengamatan dari bermacam-macam populasi yang diketahui, baik secara grafis maupun aljabar dengan membentuk fungsi diskriminan. Dengan kata lain, analisis diskriminan digunakan untuk mengklasifikasikan individu ke dalam salah satu dari dua kelompok atau lebih.

5.2 Keterkaitan Data dengan Tata Ruang Analisis diskriminan merupakan salah satu dari analisis multivariat dengan metode dependensi. Yang dimaksud dengan metode dependensi yaitu variabel-variabelnya tidak saling bergantung satu dengan yang lain. Analisis diskriminan bertujuan untuk mengklasifikasikan suatu individu atau observasi ke dalam kelompok yang saling bebas (mutually exclusive/disjoint) dan menyeluruh (exhaustive) berdasarkan sejumlah variabel penjelas (Santoso, 2017).

Maka dengan hal tersebut pun, Ilmu perencanaan tata ruang pun merupakan ilmu yang berkaitan dengan aspek spasial yang diantaranya adalah mengklasifikasi suatu obyek kedalam kelompok yang saling lepas ( mutually exclusive/disjoint ) dan menyeluruh (exhaustive) berdasarkan sejumlah variable bebas dab mengelompokkan obyek baru kedalam kelompokkelompok yang saling lepas tersebut, yang dilihat pada aspek infrastruktur, serta layanan kepada masyarakat dengan mempertimbangkan dan melihat ancaman di masa yang akan datang berkaitan dengan meningkatnya jumlah penduduk yang meningkat. Dan pada saat ini pun keterkaitannya dapat diselaraskan dengan perolehan minat yang ada agar terpetakan semua yang diinginkan (Legowo, 2016).

Analisis pada software SPSS yang digunakan untuk mengetahui hubungan atau keterkaitan antar dua variabel atau lebih yaitu Analisis Diskriminan. Data yang digunakan adalah data variabel dependen harus data kategori, sedangkan data untuk variable independen adalah data rasio. Data yang akan digunakan kelompok kami adalah data preferensi masyarakat terhadap transportasi umum

51

5.3 Pembahasan a. Studi Kasus Manusia bergerak berpindah tempat dari satu tempat ke tempat lain menggunakan teknologi moda transportasi. Pada saat ini, kepemilikan dan penggunaan kendaraan pribadi dan umum dapat dikatakan sebagai salah satu alternatif bagi masyarakat dalam memenuhi tuntutan pergerakan.

Namun disisi lain, terdapat dampak yang ditimbulkan karena adanya peningkatan kepemilikan kendaraan pribadi. Alternatif lain dalam moda transportasi adalah transportasi umum yang disediakan oleh pemerintah sebagai alternatif dari ketidak pemilikan kendaraan serta pengurangan jumlah volume kendaraan yang memenuhi jalan. Kota Semarang adalah kota dengan penduduk yang padat, transportasi umum yang menyertai dalam kegiatan peduduk di Kota Semarang.

Instrumen meliputi form kuesioner preferensi masyarakat terhadap transportasi umum dengan harga, kenyamanan, keadaan akesebilitas serta keamanan. Menggunakan analisis deskriminan yang mana digunakan sebagai pengklasifikasian individu kedalam beberapa kelompok yang sudah ditentukan sesuai kebutuhan data yang dibutuhkan. b. Tujuan Penelitian adalah suatu rangkaian kegiatan yang bertujuan untuk menggambarkan ciri-ciri suatu pengamatan dari bermacam-macam populasi yang diketahui, baik secara grafis maupun aljabar dengan membentuk fungsi diskriminan. Dengan kata lain, analisis diskriminan digunakan untuk mengklasifikasikan individu ke dalam salah satu dari dua kelompok atau lebih serta mengetahui perbedaan klasifikasian beberapa variabel yang sudah ditentukan preferensi terhadap transportasi umum. c. Data Dalam analisis diskriminan menggunakan data berupa nomor responden, preferensi, harga, kenyamanan, keadaan, aksesbilitas, dan keamanan dengan jumlah responden yaitu 40 orang. Pada variabel preferensi di bedakan menjadi 2 yaitu 0 (sering) dan 1 (jarang). Lalu pada

52

variabel lainnya di kategorikan menjadi 5 yaitu mulai dari sangat buruk sampai sangat baik. Berikut ini data preferensi masyarakat terhadap transportasi umum: No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40

Preferensi 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1

Harga 4 4 1 3 3 4 5 4 5 4 3 3 5 3 5 4 3 5 1 4 4 3 4 3 4 3 4 5 3 3 4 5 2 3 5 3 3 4 4 3

Kenyamanan 2 2 1 2 2 3 3 3 2 3 4 3 2 2 3 2 2 3 3 3 3 3 2 3 2 2 3 4 3 3 3 4 3 4 4 3 2 3 4 3

Keandalan 2 2 2 2 2 2 3 3 2 2 5 2 3 2 2 2 3 5 3 4 3 2 4 3 4 2 2 4 2 4 4 3 3 4 4 4 2 3 3 5

Aksesibilitas 5 4 2 3 4 3 3 3 3 3 4 2 3 3 3 2 4 4 2 4 2 2 4 3 5 4 4 4 3 4 4 3 2 2 5 3 2 4 3 2

Keamanan 2 2 2 3 4 3 4 3 3 4 3 3 2 3 3 3 2 3 2 4 2 2 3 3 3 3 2 3 2 3 3 4 3 1 4 3 2 4 4 4

Keterangan Variabel: Y X1

Preferensi Harga

X2 X3

Variabel Kenyamanan Keandalan

X4 X5

Aksesibilitas Keamanan

d. Langkah Pengerjaan Langkah-langkah dalam melakukan praktikum diskriminan adalah sebagai berikut.

53

1) Menyiapkan form kuesioner yang dibuat menggunakan Google Form, kemudian membagikan kuesioner tersebut kepada publik (dapat kepada teman-teman atau saudara).

2) Memasukkan data ke dalam Microsoft Excel terlebih dahulu.

3) Dengan data yang telah ada tadi, kita masukkan data tersebut kedalam software SPSS.

54

4) Setelah data excel masuk ke spss maka selanjutnya adalah proses analisis, pada kali ini akan dilakukan analisis diskriminan dengan cara berikut.

[Pada menu toolbar, pilih Analyze > Classify > Discriminant > muncul pop-up Discriminant Analysis].

Ketika pop-up telah muncul, maka kita bisa lakukan konfigurasi sesuai dengan langkah berikut.

55

a) Pada menu Grouping Variable > pilih Preferensi Moda > lalu pada Define Range > di isi MIN 0 dan MAX 1, b) Pada menu Independents > pilih bagian sisanya (Harga, Kenyamanan, Keandalan, Akesesibilitas dan Keamanan), > Pilih option() Use stepwise method, c) Pada menu Statistics > bagian Descriptives > centang (✓) Means dan Univariate Anova >

bagian

Function

Coefficients > centang (✓) Fisher’s > bagian Matrices tidak perlu di isi > Continue. d) Pada menu Stepwise Method > bagian Method > centang (✓) Wilks lamda > bagian Criteria

>

pilih

Use

Probabillty of F > bagian Display

>

Summarty

centang of

(✓)

steps

>

Continue. e) Pada menu Classification > bagian Prior Probabilities > pilih option() All groups equal

>

bagian

Display

centang (✓) Casewise results dan Leave one out classification > bagian Use covariance Matrix > pilih option() Within-groups > bagian Plots tidak perlu di isi > Continue.

5) Ketika telah sesuai semua, maka tingal klik OK dan akan muncul hasilny

56

e. Interpretasi Dalam pratikum analisis deskriminan ini, dapat kami peroleh output perhitungan sebagai berikut: 1) Group Statistics Group Statistics di atas menerangkan bahwa terdapat 40 responden pada pengisian kuesioner mengenai prefensi masyarakat terhadap transportasi publik. Dengan rincian bahwa terdapat 26 responden memberi keputusan 0 dan 14 memberi keputusan 1. 0 disini artinya jarang dan 1 artinya sering.

• Variabel Harga pada kelompok 1 memiliki nilai rata- rata : 3,6429, sedangkan pada kelompok 0 : 3,6154. Artinya rata-rata variabel harga pada kelompok 1 lebih tinggi dibandingkan dengan kelompok 0.

57

• Variabel kenyamanan pada kelompok 1 memiliki nilai rata- rata : 3,2857, sedangkan pada kelompok 0 : 2,5000. Artinya rata-rata variabel kenyamanan pada kelompok 1 lebih tinggi dibandingkan dengan kelompok 0.

• Variabel keandalan pada kelompok 1 memiliki nilai rata- rata : 3,3571, sedangkan pada kelompok 0 : 2,7308. Artinya rata-rata variabel keandalan pada kelompok 1 lebih tinggi dibandingkan dengan kelompok 0.

• Variabel aksesibilitas pada kelompok 1 memiliki nilai rata- rata : 3,2143, sedangkan pada kelompok 0 : 3,2308. Artinya rata-rata variabel aksesibilitas pada kelompok 1 lebih rendah dibandingkan dengan kelompok 0.

• Variabel keamanan pada kelompok 1 memiliki nilai rata- rata : 3,0000, sedangkan pada kelompok 0 : 2,8462. Artinya rata-rata variabel keamanan pada kelompok 1 lebih tinggi dibandingkan dengan kelompok 0.

2) Test of Equality of Group Means Tabel Tests of Equality of Group Means di atas adalah hasil analisis

untuk

menguji kesamaan

rata-rata

variabel.

Uji

ini

menggunakan Wilks’ lambda dan nilai signifikansi. Jika angka Wilks’ Lambda mendekati angka 0 maka cenderung ada perbedaan dalam kelompok.

Keputusan Hipotesis dengan nilai signifikansi: Jika signifikansi > 0,05 maka tidak ada perbedaan dalam kelompok.

Jika signifikansi < 0,05 maka ada perbedaan dalam kelompok.

• Variabel harga memiliki nilai Sig 0,936 > 0,05 maka mengindikasikan bahwa tidak ada perbedaan pada pengambilan keputusan (Y)/Prefensi.

58

• Variabel kenyamanan memiliki nilai Sig 0,001 < 0,05 maka mengindikasikan bahwa ada perbedaan pada pengambilan keputusan (Y)/Prefensi.

• Variabel keandalan memiliki nilai Sig 0,054 > 0,05 maka mengindikasikan bahwa tidak ada perbedaan pada pengambilan keputusan (Y)/Prefensi.

• Variabel aksesibilitas memiliki nilai Sig 0,958 > 0,05 maka mengindikasikan bahwa tidak ada perbedaan pada pengambilan keputusan (Y)/Prefensi.

• Variabel keamanan memiliki nilai Sig 0,558 > 0,05 maka mengindikasikan bahwa tidak ada perbedaan pada pengambilan keputusan (Y)/Prefensi.

3) Variables Entered/ Removed

Tabel Variables Entered/Removed Analisis Diskriminan di atas menunjukkan hanya ada satu variabel yang akan digunakan untuk membentuk fungsi diskriminan, yaitu variabel kenyamanan. Variabel yang masuk model adalah variabel yang mempunyai pengaruh bermakna pada Y dan tidak menyebabkan nilai F tidak signifikan. Tahapan pemasukan variabel ditentukan oleh besar kecilnya angka sig of F to Remove dimana angka terkecil akan di dahulukan.

4) Clasification Results

59

Tabel di atas pada kolom Original baris “Kelompok Keputusan 0 sebanyak 13 responden atau 50 %, sedangkan 13 responden (50 %) berpindah ke kelompok keputusan 1”. Sementara itu, 13 responden (92,9 %) yang berada dikelompok “keputusan 1” dan ada 1 responden (7,1 %) berpindah ke kelompok keputusan 0”. Maka Ketepatan fungsi diskriminan dapat dihitung dengan cara: 13 + 13/40 = 0,65catau 65 %.

5.4 Kesimpulan Dalam studi kasus penggunaan analisis diskriminan terkait preferensi masyarakat terhadap transportasi umum yang disebar menggunakan instrument form dengan faktor pemilihan moda harga, kenyamana, kendala, aksesbilitas, keamanan. Target jumlah responden yang diinginkan adalah 40 orang diambil random melalui gform yang sudah dibuat .Pada variabel preferensi di bedakan menjadi 2 yaitu 0 (sering) dan 1(jarang). Lalu pada variabel lainnya di kategorikan menjadi 5 yaitu mulai dari sangat buruk sampai sangat baik.

Penggunaan analisis diskriminan dalam perangkat lunak seperti SPSS mempermudah mengklasifikasikan suatu variabel dengan pengelompokan 2 atau lebih kelompok. Analisis Diskriminan di atas menunjukkan hanya ada satu variabel yang akan digunakan untuk membentuk fungsi diskriminan, yaitu variable kenyamanan. Hasil-hasil yang diinterpretasikan sesuai perangkat lunak SPSS menunjukan Y sebagai preferensi dan X1-5 adalah variabel.

60

BAB VI STRUCTURAL EQUATION MODELLING (SEM)

6.1 Deskripsi Structural Equation Modeling (SEM) adalah suatu teknik modeling statistik yang bersifat sangat cross-sectional, linear dan umum. Pengertian lainnya yaitu SEM adalah teknik analisis multivariat yang umum dan sangat bermanfaat yang meliputi versi-versi khusus dalam jumlah metode analisis lainnya sebagai kasus-kasus khusus. SEM digunakan untuk membangun dan menguji model statistik yang biasanya dalam bentuk model-model sebab akibat.

SEM sebenarnya merupakan teknik hibrida yang meliputi aspek-aspek penegasan (confirmatory) dari analisis faktor, analisis jalur dan regresi yang dapat dianggap sebagai kasus khusus dalam SEM. Berikut beberapa fungsi SEM, diantaranya ialah: 1) memungkinkan adanya asumsi-asumsi yang lebih fleksibel; Pertama 2) penggunaan analisis faktor penegasan (confirmatory factor analysis) untuk mengurangi kesalahan pengukuran dengan memiliki banyak indikator dalam satu variabel laten 3) daya tarik interface pemodelan grafis untuk memudahkan pengguna membaca keluaran hasil Ketiga, analisis 4) kemungkinan adanya pengujian model secara keseluruhan dari pada koefesien-koefesien secara sendiri-sendiri 5) kemampuan untuk menguji model – model dengan menggunakan beberapa variabel tergantung

61

6) kemampuan untuk membuat model terhadap variabel-variabel perantara 7) kemampuan untuk membuat model gangguan kesalahan (error term) 8) kemampuan untuk menguji koefesien-koefesien diluar antara beberapa kelompok subyek 9) kemampuan untuk mengatasi data yang sulit, seperti data time series dengan kesalahan otokorelasi, data yang tidak normal, dan data yang tidak lengkap.

6.2 Keterkaitan Data dengan Tata Ruang Statistik adalah kumpulan data yang bisa memberikan gambaran tentang suatu keadaan yang ditekankan pada angka. Sedangkan statistika adalah Ilmu yang mempelajari cara-cara pengumpulan, penyajian, analisis, interpretasi dan pengambilan kesimpulan dari data yang didapat. Dalam pengertian yang lebih luas, statistik artinya kumpulan data dalam bentuk angka maupun bukan angka yang disusun dalam bentuk tabel (daftar) dan atau diagram yang menggambarkan (berkaitan) dengan suatu masalah tertentu. Biasanya suatu data diikuti atau dilengkapi dengan keterangan-keterangan yang berkaitan dengan suatu peristiwa atau keadaan tertentu. Secara umum fungsi statistik adalah sebagai alat bantu dalam mengolah hasil penelitian. Banyak ragam analisis yang dilakukan dalam penelitian, salah satunya yaitu SEM (Structural Equation Modeling).

SEM merupakan suatu metode analisis statistik multivariat. Melakukan olah data SEM berbeda dengan melakukan olah data regresi atau analisis jalur.

Olah data SEM lebih rumit, karena SEM dibangun oleh model pengukuran dan model struktural. Di dalam SEM terdapat 3 kegiatan secara bersamaan, yaitu pemeriksaan validitas dan reliabilitas instrumen (confirmatory factor analysis), pengujian model hubungan antara variabel (path analysis), dan mendapatkan model yang cocok untuk predeksi (analisis model struktural dan analisis regresi). Sebuah pemodelan lengkap pada dasamya terdiri dari model pengukuran (measurement model) dan structural model atau causal model.

62

Model pengukuran dilakukan untuk menghasilkan penilaian mengenai validitas dan validitas diskriminan, sedangkan model struktural, yaitu pemodelan yang menggambarkan hubungan-hubungan yang dihipotesakan.

Untuk melakukan olah data SEM dengan lebih mudah dapat menggunakan bantuan software statistik. Saat ini sudah tersedia berbagai macam software untuk olah data SEM diantaranya adalah Lisrel, AMOS dan Smart PLS, lalu keterkaiatan dengan aplikasi untuk mengetahui apa itu Smart City, di dalam smart city harus memiliki tujuan pembangunan kota yang pada dasarnya adalah untuk meningkatkan kebahagiaan dan kualitas hidup warganya, termasuk keamanan, kesejahteraan, dan kesehatan. Untuk mencapainya, proses pembangunan kota harus holistik dan menggunakan pendekatan yang inklusif, sehingga dapat mengakomodasi lebih banyak orang, dan menyediakan kesempatan yang sama bagi semua Untuk mendukung berbagai kegiatan pembangunan infrastruktur perkotaan dan pemberian pelayanan yang baik kepada masyarakat, maka Pemerintah Daerah membutuhkan teknologi yang memadai untuk bisa melakukan semua kegiatannya.

Dalam menciptakan masyarakat global, berdaya saing, serta kota cerdas dan layak huni, maka masing masing Pemerintah Daerah harus menetapkan kebijakan yang tepat dengan menyiapkan konsep pembangunan kota masa depan berkualitas, yang bernama Smart City atau Kota Cerdas. Konsep kota pintar diyakini bisa menjadi solusi atas persoalan Pembangunan kota di daerah.

Kota Pintar di desain untuk mampu meningkatkan produktivitas manusia yang tinggal di dalamnya, sehingga akibat penataan dan pengelolaan kota yang dilakukan dengan memanfaatkan teknologi informasi dan digital secara optimal di semua aspek. Mulai dari sistem pengelolaan gedung, pengelolaan kualitas lingkungan, serta pelayanan publik. Singkatnya, kota dikembangkan menjadi mesin ekonomi dan produktivitas yang pada akhirnya menjadikan masyarakatnya sehat, produktf dan sejahtera. Program-program pemerintah yang sukses memiliki berbagai macam strategi dan cara untuk mendapatkan pengakuan serta kepercayaan dari masyarakat bahwa Kota memang mempunyai keunggulan dari daerahdaerah yang ada. Untuk menciptakan Kota

63

sebagai Smart City pemerintah terus berupaya merealisasikan infrastruktur yang dibutuhkan oleh masyarakat.

6.3 Pembahasan a. Studi Kasus Surabaya dikenal dengan potensi pengembangan permukiman kota dengan prestasi tingkat dunia. Dalam hal ini menjadi kesempatan bagi srabaya dalam menuju perwujutan kota menjai smart city melalui bidang permukiman. Dimana permukiman menjadi komponen yang mendominasi dari pengembangan sebuah kota untk meningkatkan kualitas. Dimana salah satu kampung di Surabaya yaitu kampung lawas maspati dimana kampung ini yang mengalami perubahan citra yang baik sejak adanya kader lingkungan, dimana kegelishan masyarakat akan stigma negative lingkungan memotivasi Sebagian masyarakat turut dalam program perbaikan lingkugan. Kampung Lawas Maspati yang merupakan kampung dengan ciri khas cagar budaya yang melekat dengan sejarah Kota Surabaya didalamnya.

Penggunaan analisis SEM (Structural Equation Modelling) dalam mengidentifikasi preferensi masyarakat dalam mewujudkan konsep smart city juga diperlukan. SEM (Structural Equation Modelling) merupakan teknik statistika yang kuat dalam menetapkan model pengukuran dan model struktural. SEM juga didasarkan pada hubungan kausalitas, yakni terjadinya perubahan pada satu variabel berdampak pada perubahan variabel yang lainnya. Metode SEM memiliki kemampuan analisis dan prediksi yang lebih baik dibandingkan analisis jalur dan regresi berganda karena SEM mampu menganalisis sampai pada level terdalam terhadap variabel atau model yang dite liti. Metode SEM lebih koprehensif dalam menjelaskan fenomena penelitian. Sementara analisis jalur dan regresi berganda hanya mampu menjangkau level variabel laten sehingga mengalami kesulitan dalam mengurai atau menganilisis fenomena empiris yang terjadi pada levellevel butir atau indikator-indikator variabel laten (Ulum, Tirta, & Anggraeni, 2014). Dalam mewujudkan konsep smart city perlu adanya variable yang

64

berpengaruh berdasarkan preferensi masyarakat. Dari variable variable tersebut kelompok kami mengidentifikasinya untuk melihat adakah hubungan antar variable dengan menggunakan analisis SEM (Structural Equation Modelling). b. Tujuan Tujuan dari penelitian ini merupakan keterkaitan antar variable dalam pengembangan kampung cerdas di kota surabaya dalam mewujudkan konsep smart city. Serta mengidentifikasi variable yang berpengaruh berdasarkan masyarakat kampung cerdas di kota Surabaya dalam mewujudkan konsep smart city. c. Data Data yang kami gunakan dalam praktikum analisis Structural Equation Modelling (SEM) ini yaitu kami peroleh dari Tugas Akhir dengan judul “Penentuan Kriteria Pengembangan Kampung Cerdas di Kota Surabaya dalam Mewujudkan Konsep Smart City” (Paramasatya, 2017).

No

Smart Economy

Smart Mobility

Smart People

SEc1 SEc2 SEc3 SEc4 SEc5 SEc6 SEc7 SM1 SM2 SM3 SM4 SM5 SM6 SM7 SP1 SP2 SP3 SP4

1

2

1

2

1

2

2

2

2

3

3

1

2

1

1

1

2

2

2

2

2

2

3

3

3

3

3

1

1

1

1

2

2

2

2

2

1

3

3

2

3

2

3

3

2

3

2

3

3

1

2

1

1

1

2

3

2

4

2

1

3

3

2

2

3

2

3

2

2

2

1

1

1

2

1

3

5

2

3

3

3

3

2

3

2

1

2

1

2

3

3

1

3

3

3

6

1

2

2

3

2

3

3

2

3

2

1

2

1

1

2

1

3

1

7

2

2

3

3

3

3

3

3

3

2

1

2

1

1

3

2

3

3

8

1

3

2

2

2

3

3

2

1

1

1

1

1

1

3

1

1

3

9

2

2

3

3

3

2

3

2

1

3

1

2

1

1

2

2

1

1

10

1

1

3

3

2

2

2

1

1

1

2

2

1

1

1

1

1

1

11

1

2

1

1

2

2

2

2

1

3

1

2

1

1

1

2

2

2

12

2

3

3

3

3

3

3

2

1

3

1

2

1

1

2

1

1

1

13

2

2

2

1

3

2

3

2

1

3

1

1

1

1

1

1

2

1

14

2

2

2

3

3

3

3

2

1

3

1

2

1

1

1

2

1

1

15

2

3

3

3

3

3

3

3

3

2

1

1

1

1

3

1

1

2

16

2

1

1

1

2

3

3

3

3

2

1

2

1

1

2

1

1

2

17

1

3

3

3

3

2

3

2

3

1

2

2

1

1

3

2

3

2

18

2

2

2

2

3

2

2

1

1

3

1

1

1

1

1

2

2

2

19

2

2

2

2

3

3

3

2

3

2

1

1

1

1

3

3

2

3

20

1

3

3

3

2

3

3

2

3

1

3

3

3

2

2

3

3

2

21

2

2

2

3

3

3

3

2

3

2

1

2

1

2

1

2

3

1

22

2

1

3

3

2

2

3

2

1

1

1

2

1

1

1

2

1

1

23

2

2

1

2

3

2

3

1

1

3

1

1

1

1

1

1

3

1

24

1

3

1

2

3

3

3

2

1

3

2

2

1

1

1

2

3

2

25

1

2

1

2

2

3

3

1

1

2

1

1

1

3

1

1

1

1

26

1

2

1

2

3

2

2

1

1

1

2

2

1

1

1

2

1

1

27

1

1

1

1

3

3

3

1

1

1

1

1

1

1

1

1

1

1

28

2

1

2

2

2

2

3

1

1

1

1

2

1

1

1

1

1

1

29

2

1

2

1

3

3

3

1

1

1

1

2

1

1

1

1

1

1

30

2

3

2

3

3

3

3

2

1

1

1

2

1

3

1

2

3

1

31

2

3

2

3

3

3

3

1

1

1

1

2

1

3

1

2

3

1

32

1

3

1

3

3

3

3

2

1

1

1

2

1

1

1

1

1

2

33

1

1

1

1

2

3

3

2

2

3

2

2

1

3

1

2

3

3

34

1

1

1

1

3

3

3

2

1

1

1

1

1

3

1

1

3

1

35

1

1

1

1

2

3

2

1

1

1

2

2

1

3

1

1

1

2

65

d. Langkah Pengerjaan Berikut merupakan langkah-langkah yang kami lakukan dalam praktikum analisis SEM menggunakan aplikasi WarpPLS: 1) Memasukkan data yang diperoleh dari laporan ilmiah ke Microsoft Excel.

2) Membuka aplikasi WarpPLS, kemudian memulainya dengan membuat project baru (klik “Project to Step 1”)

3) Setelah jendela baru muncul maka klik “Create project file”

66

4) Memberi nama file dari project yang akan kita buat, kemudian klik “Save”

5) Selanjutnya masuk ke tahapan kedua dengan mengeklik “Proceed to Step 2”. Jendela baru pun akan muncul.

6) Mengimport file Excel yang telah kita buat di langkah no. 1 dengan cara klik “Read from file”

67

7) Memilih data yang akan kita gunakan untuk analisis SEM, kemudian klik “Open”

8) Data yang akan diolah pun muncul. Jika data sudah benar maka klik “Yes” pada kotak dialog di atas tabel

9) Selanjutnya masuk ke tahapan ketiga, klik “Proceed to Step 3”

10) Setelah muncul jendela baru, klik “Pre-process data”

68

11) Tunggu proses pengecekan hingga selesai. Setelah selesai, klik “Ok” untuk menutup jendela

12) Selanjutnya akan muncul tabel berisikan data yang telah dilakukan proses pengolahan, klik “Yes” jika dirasa data sudah benar

13) Masuk ke tahapan keempat, klik “Proceed to Step 4”

69

14) Setelah muncul jendela baru, klik “Define SEM model”

15) Memulai proses pembuatan model dari variabel-variabel

16) Untuk membentuk variabel laten, caranya adalah: Latent variable options → Create latent variable. Kemudian klik kiri di layar kosong berwarna putih maka akan muncul jendela seperti gambar di bawah ini.

70

17) Memberikan nama dan menambahkan indikator dari masing-masing variabel laten

71

18) Menata variabel-variabel yang telah terbentuk dan berikan tanda panah dengan “Direct link options → Create direct link → hubungkan antara variabel satu dengan yang lain”, hasilnya sebagai berikut.

19) Setelah menyimpan model yang telah dibuat maka selanjutnya masuk ke tahapan kelima. Klik “Proceed to Step 5”

20) Jendela baru akan muncul kemudian klik “Perform SEM analysis”

72

21) Akan muncul hasil sebagai berikut.

22) Untuk melihat berbagai pengolahan maka klik tab “View” dan pilih sesuai kebutuhan.

23) Sebagai contoh, berikut merupakan hasil secara umum (View → View general results)

73

e. Interpretasi •

Validitas (View → View correlations among latent vatiables and errors → View correlations among latens variables with sq. rts. of AVEs)

Smart Economy (SEc) Smart Mobility (SM) Smart People (SP)

Smart Economy (SEc)

Smart Mobility (SM)

Smart People (SP)

(0.606)

0.034

0.356

0.034

(0.539)

0.286

0.356

0.286

(0.670)

Berdasarkan tabel tersebut, diketahui bahwa nilai yang ada dalam tanda kurung memiliki nilai yang lebih besar (>) dari nilai cross loadings/konstruk lainnya. Hal ini dapat diartikan variabel-variabel tersebut valid.

•

Reliabilitas (View → View latent variable coeficients) R-squared Adj. R-squared Composite reliab.

Cronbach's alpha Avg. var. extrac.

Full collin. VIF Q-squared Min Max Median Mode Skewness Exc. Kurtosis Unimodal-RS Unimodal-KMV Normal-JB Normal-RJB Histogram

Smart Economy (SEc) 0.127 0.073 0.779 0.674 0.367 1.152 0.160 -2.138 1.399 -0.031 -1.097 -0.377 -0.898 Yes Yes Yes Yes View

Smart Mobility (SM)

0.439 0.432 0.291 1.095 -1.324 3.787 -0.151 -0.638 1.632 3.998 Yes Yes No No View

Smart People (SP) 0.138 0.112 0.758 0.571 0.449 1.252 0.203 -1.309 2.276 0.010 -1.309 0.575 -0.515 Yes Yes Yes Yes View

Dilihat dari nilai Cronbach’s Alpha, ketiga variabel tersebut tidak reliabel karena nilainya kurang dari 0,70. Namun jika dilihat dari nilai Composite Reliability, variable Smart Economy dan Smart People adalah reliabel (Smart Economy = 0,779 > 0,70; Smart People = 0,758 > 0,70).

•

Nilai R2 (View → View latent variable coeficients)

74

R-squared Adj. R-squared Composite reliab.

Cronbach's alpha Avg. var. extrac.

Full collin. VIF Q-squared Min Max Median Mode Skewness Exc. Kurtosis Unimodal-RS Unimodal-KMV Normal-JB Normal-RJB Histogram

Smart Economy (SEc) 0.127 0.073 0.779 0.674 0.367 1.152 0.160 -2.138 1.399 -0.031 -1.097 -0.377 -0.898 Yes Yes Yes Yes View

Smart Mobility (SM)

0.439 0.432 0.291 1.095 -1.324 3.787 -0.151 -0.638 1.632 3.998 Yes Yes No No View

Smart People (SP) 0.138 0.112 0.758 0.571 0.449 1.252 0.203 -1.309 2.276 0.010 -1.309 0.575 -0.515 Yes Yes Yes Yes View

Nilai R2 yang semakin tinggi maka artinya semakin baik. Namun dari tabel ini terlihat bahwa nilai R-squarednya sangat kecil, sekitar 0,1 maka dapat dikatakan hasilnya kurang baik.

•

Nilai Avg. (View → View latent variable coeficients) R-squared Adj. R-squared Composite reliab.

Cronbach's alpha Avg. var. extrac.

Full collin. VIF Q-squared Min Max Median Mode Skewness Exc. Kurtosis Unimodal-RS Unimodal-KMV Normal-JB Normal-RJB Histogram

Smart Economy (SEc) 0.127 0.073 0.779 0.674 0.367 1.152 0.160 -2.138 1.399 -0.031 -1.097 -0.377 -0.898 Yes Yes Yes Yes View

Smart Mobility (SM)

0.439 0.432 0.291 1.095 -1.324 3.787 -0.151 -0.638 1.632 3.998 Yes Yes No No View

Smart People (SP) 0.138 0.112 0.758 0.571 0.449 1.252 0.203 -1.309 2.276 0.010 -1.309 0.575 -0.515 Yes Yes Yes Yes View

Berdasarkan tabel tersebut, nilai Avg. masing-masing variabel nilainya di bawah 0,50. Untuk variabel Smart Ekonomy mempunyai nilai 0,367, Smart Mobility 0,291, dan Smart People senilai 0,449.

•

Nilai Loading Factor (View → View indicator loadings and cross-loadings → View combined loadings and cross-loadings) Berdasarkan tabel di atas, dapat kita lihat bahwa terdapat beberapa nilai loading factors yang kurang dari 0,70.

75

•

Nilai Cross loading dan Square roots (View → View indicator loadings and cross-loadings → View combined loadings and cross-loadings) Nilai yang ada di dalam tanda kurung seharusnya memiliki nilai yang lebih besar daripada nilai cross loadings/konstruk lainnya.

SEc1

Smart Economy (SEc) (0.533)

-0.395

-0.005

Reflective

0.132

<0.001

SEc2

(0.670)

0.062

0.170

Reflective

0.124

<0.001

SEc3

(0.697)

0.172

0.103

Reflective

0.123

<0.001

SEc4

(0.829)

0.293

-0.104

Reflective

0.115

<0.001

SEc5

(0.570)

-0.253

-0.157

Reflective

0.130

<0.001

SEc6

(0.069)

0.076

0.009

Reflective

0.164

0.339

SEc7

(0.579)

-0.094

-0.015

Reflective

0.130

<0.001

SM1

0.102

(-0.181)

0.736

Reflective

0.156

0.126

SM2

-0.087

(0.041)

0.826

Reflective

0.166

0.403

SM3

-0.134

(-0.506)

0.459

Reflective

0.134

<0.001

SM4

-0.340

(0.717)

0.244

Reflective

0.122

<0.001

SM5

0.129

(0.683)

0.054

Reflective

0.123

<0.001

SM6

0.208

(0.716)

0.226

Reflective

0.122

<0.001

SM7

-0.078

(0.500)

-0.091

Reflective

0.134

<0.001

SP1

0.232

-0.303

(0.517)

Reflective

0.133

<0.001

SP2

0.115

0.263

(0.785)

Reflective

0.118

<0.001

SP3

0.015

0.060

(0.530)

Reflective

0.132

<0.001

SP4

-0.275

-0.104

(0.793)

Reflective

0.117

<0.001

Smart Mobility (SM)

Smart People (SP)

Type (as defined)

SE

P value

6.4 Kesimpulan Berdasarkan hasil pengolahan SEM menggunakan WarpPLS, dapat disimpulkan bahwa antara variabel Smart Mobility dan Smart People terdapat p-value < 0,01 yang berarti ada hubungan antara dua variabel tersebut, selain itu variabel Smart People juga memiliki hubungan dengan Smart Economy karena p-value bernilai 0,01. Berhubung keduanya memiliki nilai R2 yang kecil maka dapat disimpulkan bahwa model yang dikeluarkan oleh analisis tersebut kurang baik. Hal ini dikarenakan nilai R2 yang semakin mendekati angka satu memiliki arti model regresinya semakin baik.

76

BAB VII ANALISIS CLUSTER

7.1 Deskripsi Menurut Prasetyo (2012), analisis cluster merupakan analisis yang didasarkan pada informasi yang ditemukan dalam data untuk menggambarkan obyek beserta hubungan-hubungan di antaranya. Analisis ini bertujuan untuk mengelompokkan data (obyek) agar obyek-obyek yang memiliki kemiripan (atau berhubungan) dapat tergabung dalam sebuah kelompok, kemudian yang berbeda (atau tidak berhubungan) dipisahkan dalam kelompok yang lain. Ciriciri cluster yang baik adalah cluster yang mempunyai homogenitas (kesamaan) yang tinggi antara anggota dalam satu cluster dan heterogenitas (perbedaan) yang tinggi antara cluster yang satu dengan cluster lainnya (Ramadhani, Purnamasari, & Amijaya, 2018).

Metode dalam analisis cluster terdiri dari metode hierarki dan non hierarki (K-means). Metode hierarki adalah suatu metode pada analisis cluster yang dilakukan secara bertahap dan bertingkat sehingga membentuk tingkatan tertentu seperti pada struktur pohon. Hasil dari metode hierarki dapat disajikan dalam bentuk dendogram (Ramadhani et al., 2018). Sedangkan metode Kmeans cluster adalah metode yang mengelompokan data dalam bentuk satu atau lebih cluster/kelompok. Data-data yang memiliki karakteristik yang sama dikelompokan dalam satu cluster/kelompok dan data yang memiliki karakteristik yang berbeda dikelompokan dengan cluster/kelompok yang lain sehingga data yang berada dalam satu cluster/kelompok memiliki tingkat variasi yang kecil (Agusta, 2007).

77

7.2 Keterkaitan Data dengan Tata Ruang Dalam merencanakan suatu wilayah dan kota sangat memerlukan dukungan dari data-data yang lengkap dan akurat. Data yang lengkap dan akurat ini akan menjadi bahan atau modal utama dalam proses perencanaan itu nantinya. Sehingga dapat diimplementasikan dengan baik dan tepat sasaran.

Apalagi perencanaan yang bersifat problem based, harapannya dapat mengatasi permasalahan yang ada di wilayah atau kota tersebut. Begitu juga terjadi di Kabupaten Karanganyar, seiring berkembangnya sektor industri dan jasa membuat jumlah penduduk semakin bertambah dan kebutuhan hidup yang meningkat. Sayangnya ketersediaan sarana dan prasarana tampaknya belum cukup memadai Untuk mewujudkan tujuan perencanaan tersebut dapat tercapai dengan baik, maka data-data yang didapat harus diolah dengan baik agar menjadi suatu informasi yang mendukung serta mudah dipahami. Pengolahan data tersebut salah satunya menggunakan metode analisis cluster. Seringkali dalam melakukan perencanaan terhadap suatu wilayah maupun kota terdapat berbagai kesulitan karena terdiri dari beragam karakteristik. Dengan penggunaan analisis cluster ini, diharapkan seorang planner dapat mengklasifikasikan atau mengelompokkan wilayah satu dengan wilayah lainnya yang memiliki kemiripan dan membentuk kelompok lain, karena kita tidak bisa sembarang menentukan keputusan karena setiap wilayah (atau kelompok wilayah) membutuhkan penanganan yang berbeda-beda sehingga perencanaannya pun harus berbeda.

7.3 Pembahasan a. Studi Kasus Kabupaten Karanganyar merupakan salah satu Kabupaten yang menjadi daerah penyangga Kota Surakarta sehingga menjadikan Kabupaten Karanganyar semakin berkembang. Salah satu perkembangan di wilayah ini adalah pemerataan pembangunan infrastruktur di setiap daerah. Dimana Kabupaten Karanganyar memiliki 17 Kecamatan dengan karakteristik yang berbeda-beda, sehingga sulit untuk melakukan pemerataan sarana dan

78

prasarana di sini. Permasalahan yang masih menjadi sorotan di Kabupaten Karanganyar salah satunya yaitu persebaran fasilitas sarana pendidikan yang belum merata. Pendidikan di Kabupaten Karanganyar masih terfokus pada beberapa Kecamatan saja. Oleh karena itulah, untuk merencanakan pembangunan sarana dan prasarana di tiap-tiap kecamatan agar tepat sasaran, maka salah satunya dapat menggunakan analisis cluster yang akan membantu pengelompokkan Kecamatan yang sekiranya membutuhkan penanganan yang sama dan berbeda dalam pengadaan sarana dan prasarana. b. Tujuan Tujuan analisis cluster sendiri adalah untuk mengelompokkan obyek berdasarkan kesamaan karakteristik diantara obyek-obyek tersebut. Dalam permasalahan ini maka metode analisis cluster bertujuan untuk melihat dan mengkelompokkan wilayah satu dengan wilayah lainnya yang memiliki kemiripan dan membentuk kelompok lain dalam konteks permasalahan persebaran sarana Pendidikan. Pengelompokkan kemiripan ini dilakukan dengan menggunakan variable jumlah penduduk, kepadatan penduduk, jumlah sarana Pendidikan dan jumlah murid. c. Data Variabel yang digunakan untuk pengelompokkan adalah luas wilayah, kepadatan penduduk, jumlah sarana pendidikan, dan jumlah murid bersekolah. Berikut adalah data yang akan diolah: No

Kecamatan

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 Total

Jatipuro Jatiyoso Jumapolo Jumantono Matesin Tawangmangu Ngargoyoso Karangpandan Karanganyar Tasikmadu Jaten Colomadu Gondangrejo Kebakkramat Mojogedang Kerjo Jenawi

Luas Wilayah (Km2) 40,37 67,16 55,67 53,55 26,27 70,03 65,34 34,11 43,03 27,6 25,55 15,64 56,8 36,46 53,31 46,82 56,08 773,79

Kepadatan Penduduk 718,54 552,21 652,97 801,78 1.560,71 651,11 508,32 1.184,64 1.897,18 2.227,07 3.349,88 5.255,12 1.428,04 1.757,58 1.185,86 746,71 475,78 24.953,5

Sarana Pendidikan 66 55 62 65 66 61 49 67 116 65 87 71 77 77 93 59 53 1189

Jumlah Murid Bersekolah 3.561 4.417 5.638 5.010 5.699 6.356 3.938 6.258 17.039 10.892 7.980 7.330 7.983 8.751 10.628 5.970 4.370 121,820

Sumber: BPS, Kabupaten Karanganyar dalam Angka 2020

79

d. Langkah Pengerjaan K-Means Cluster 1) Mengatur “Variable View” sesuaikan dengan data yang akan kita input.

2) Menyalin data dari lembar kerja Ms. Excel ke “Data View”

3) Memulai dengan proses standardisasi atau transformasi terhadap variabel yang relevan ke bentuk zscore, klik “Analyze” → “Descriptives Statistics” → “Descriptives”. Lalu di bagian “Data View” nantinya akan muncul variabel-variabel z score, seperti yang ada pada gambar di bawah ini.

80

4) Pada “Analyse” pilih “Classify”kemudian pilih “Kmeans”, kemudian pada metode beri tanda centang pada “iterate dan classify” atau “classify”.

Masukan number cluster yang diinginkan.

5) Kemudian pada iterate beri tanda centang pada use “running means”

81

6) Pada save beri tanda centang pada “cluster membership” dan “distance from cluster center”

7) Pada options beri tanda centang pada “initial cluster centre”dan “cluster information for each case” kemudian di bagian bawah terdapat “missing” beri tanda centang pada “exclude cases list wise”kemudian klik OK.

8) Proses input dan pengolahan telah selesai. Hasil akan di tampilkan pada jendela output.

82

Hierarkhi Cluster 1) Buka jendela baru software SPSS, buka tab variable view dan ketik nama data apa saja yang akan di-input. Berikut adalah beberapa data yang akan diolah beserta settingannya:

2) Masukkan data yang digunakan dari Microsoft Excel ke dalam software SPSS untuk diolah

3) Karena data masih dalam bentuk rasio, maka yang harus dilakukan adalah mengklasifikasikan data tersebut menjadi data ordinal

83

4) Klik Transform→Record Into Same Variables dan kemudian sesuaikan klasifikasi masing-masing seperti yang sudah diatur. Data yang diklasifikasi hanya Luas Wilayah dan Kepadatan Penduduk,

5) Setelah selesai proses klasifikasi, tentukan nilai data ordinal yang tadi dimasukkan/buat ke kolom values (tab variable view). Kemudian kembali ke tab data view 6) Selanjutnya adalah proses inti: mengklasterkan kecamatan-kecamatan yang

ada

di

kabupaten

Karanganyar.

Klik

analyze→classify→Hierarchical Cluster

7) Setelah muncul kotak dialog dari hierarchical cluster analysis. Pindahkan data Luas Wilayah, Kepadatan Penduduk, Jumlah Sarana Pendidikan, dan jumlah murid bersekolah dari kotak kiri ke kotak kanan atas (kolom Variables) dan data Kecamatan dari kotak kiri ke kotak kanan bawah (kolom Label Cases By). Untuk lebih jelasnya dapat diperhatikan gambar di bawah ini: 84

8) Klik option statistic, plots, dan method-nya dan save, lalu aatur seperti berikut:

Setelah semuanya telah diatur, maka tinggal klik OK dan tunggu hingga jendela output SPSS keluar menampilkan hasil analisis cluster. (Pastikan pada kotak Cluster yang dipilih adalah Cases dan kotak Display dicentang semua).

85

e. Interpretasi Berikut merupakan hasil dan pembahasan analisis cluster yang diolah menggunakan bantuan software IBM SPSS Statistics 24. Melalui pembahasan ini akan diketahui pengelompokkan dan kesamaan/similarity jarak dari masing-masing kecamatan dan berapa banyak klaster yang dihasilkan terhadap kecamatan-kecamatan yang ada di Kabupaten Karanganyar serta interpretasi mengenai hasil klister : K-Means Cluster Initial Cluster Centers Luas_Wilayah Kepadatan_penduduk Sarana_pendidikan Jumlah_murid

1 40.37 718.54 66 3561

Cluster 2 53.31 1185.86 93 10628

3 43.03 1897.18 116 17039

Tabel “Initial Cluster Centers” di atas merupakan tampilan awal proses clustering sebelum dilakukan proses iterasi. Tapi, output ini tidak dianalisis, karena yang akan dianalisis adalah hasil akhir iterasi Iteration Historya Iteration

Change in Cluster Centers 1 2 3 1 1614.672 .000 1151.053 2 49.076 .000 471.153 3 4.461 .000 67.308 4 .406 .000 9.615 5 .037 .000 1.374 6 .003 .000 .196 7 .000 .000 .028 8 2.770E-5 .000 .004 9 2.518E-6 .000 .001 10 2.289E-7 .000 8.173E-5 a. Iterations stopped because the maximum number of iterations was performed.

Iterations failed to converge. The maximum absolute coordinate change for any center is 8.17E-005. The current iteration is 10. The minimum distance between initial centers is 6411.041.

Dari tabel “Iteration History” di atas, dapat diketahui bahwasanya proses iterasi dilakukan sebanyak 10 kali. Proses ini dilakukan untuk mendapatkan cluster yang tepat. Dapat diketahui bahwa jarak minimum antar pusat cluster yang terjadi dari hasil iterasi adalah 6.411,041 Cluster Membership Case Number 1

kecamatan Jatipuro

2 3

Jatiyoso Jumapolo

Cluster 1

Distance 1562.177

1 1

742.425 533.002

86

4 5 6

Jumanton Matesin Tawangma

1 1 1

113.028 967.079 1241.708

7

Ngargoyo

1

1215.800

8

Karangpa

1

1204.582

9 10

Karangan Tasikmad

3 2

.000 1988.548

11

Jaten

2

1250.362

12

Colomadu

2

3155.446

13

Gondangr

2

1454.368

14 15

Kebakkra Mojogeda

2 2

796.120 2170.268

16 17

Kerjo Jenawi

1 1

849.190 812.967

Pada tabel Cluster Membership di atas merupakan pengelompokkan cluster. Dalam pengolahan ini terdapat tiga cluster yaitu cluster 1, 2 dan 3.

Dari 17 sampel yang ada yaitu berupa 17 kecamatan di dapatkan hasil : • Cluster 1 : 10 anggota yaitu Kecamatan Jatipuro, Jatiyoso, Jumapolo, Jumanton, Matesin, Tawangmangu, Ngargoyo, Karangpandan, Kerjo dan Jenawi • Cluster 2 : 6 anggota yaitu Kecamatan Tasikmadu, Jaten, Colomadu, Gondangrejo, Kebakkramat dan Mojogedang • Cluster 3 : 1 anggota yaitu Kecamatan Karanganyar Final Cluster Centers Cluster 1 2 luas_wilayah 51.54 35.89 kepadatan_penduduk 785.28 2533.92 sarana_pendidikan 60.30 78.33 jumlah_murid 5121.70 8927.33

3 43.03 1897.18 116.00 17039.00

Output Final Cluster Centers tersebut diatas masih terkait dengan proses standarisasi data sebelumnya, yang mengacu pada Z-score dengan ketentuan sebagai berikut : - Nilai negatif ( - ) berarti data berada di bawah rata- rata total - Nilai positif ( + ) berarti data berada di atas rata- rata total

87

Rumus umum yang digunakan yaitu

Descriptive Statistics luas_wilayah kepadatan_penduduk sarana_pendidikan jumlah_murid Valid N (listwise)

N

Minimum

Maximum

Mean

17 17 17 17 17

15.64 475.78 49.00 3561.00

70.03 5255.12 116.00 17039.00

45.5171 1467.8529 69.9412 7165.8824

Std. Deviation 16.12217 1237.42718 16.47904 3335.89072

Tabel descriptive statistics merupakan acuan untuk melakukan perhitungan nilai X. Dimana dalam tabel descriptive statistic terdapat nilai rata-rata dan standar deviasi. Dari hasil diatas maka dapat diperoleh : Cluster 1 1) Rata – rata luas wilayah adalah : X = 45,5171 + (51,54)( 16,12217) = 876,445 km2 2) Rata -rata kepadatan penduduk : X = 1.467,8529+ (785,28)( 1.237,4271) = 973.189 3) Rata-rata sarana Pendidikan : X = 69,9412+ (60,30)( 116,00) = 7.064,741 4) Rata-rata jumlah murid : X = 7.165,8824+ (5.121,70)( 3.335,890) = 17.058.700,9 Dalam cluster-1 ini berisikan Kecamatan yang mempunyai luas wilayah, kepadatan penduduk, sarana Pendidikan dan jumlah murid bersekolah yang lebih dari rata-rata populasi Kecamatan yang diteliti. Hal ini terbukti dari nilai positif (+) yang terdapat pada tabel Final Cluster Centers dalam keseluruhan variabel. Dengan demikian, dapat diduga bahwa cluster-1 ini merupakan pengelompokan dari Kecamatan yang perlu peningkatan.

Cluster 2 1) Rata – rata luas wilayah adalah : X = 45,5171 + (35,89)( 16,12217) = 624,135 km2

88

2) Rata

-rata

kepadatan

penduduk

:

X

=

1.467,8529+

(2.533,92)( 1.237,4271) = 3.136.966,12 3) Rata-rata sarana Pendidikan : X = 69,9412+ (78,33)( 116,00) = 9.156,222 4) Rata-rata jumlah murid : X = 7.165,8824+ (8.927,33)( 3.335,890) = 29.787.756,8 Dalam cluster-2 ini berisikan Kecamatan yang mempunyai luas wilayah, kepadatan penduduk, sarana Pendidikan dan jumlah murid bersekolah yang lebih dari rata-rata populasi Kecamatan yang diteliti. Hal ini terbukti dari nilai positif (+) yang terdapat pada tabel Final Cluster Centers dalam keseluruhan variabel. Dengan demikian, dapat diduga bahwa cluster-2

ini

merupakan

pengelompokan

dari

Kecamatan

cukup

berkembang Cluster 3 1) Rata – rata luas wilayah adalah : X = 45,5171 + (43,03)( 16,12217) = 739,247 km2 2) Rata

-rata

kepadatan

penduduk

:

X

=

1.467,8529+

(1.897,18)( 1.237,4271) = 2.349.089,61 3) Rata-rata sarana Pendidikan : X = 69,9412+ (116,00)( 116,00) = 13.525,941 4) Rata-rata jumlah murid : X = 7.165,8824+ (1.7039,00)( 3.335,890) = 56.847.395,6 Dalam cluster-3 ini berisikan Kecamatan yang mempunyai luas wilayah, kepadatan penduduk, sarana Pendidikan dan jumlah murid bersekolah yang lebih dari rata-rata populasi Kecamatan yang diteliti. Hal ini terbukti dari nilai positif (+) yang terdapat pada tabel Final Cluster Centers dalam keseluruhan variabel. Dengan demikian, dapat diduga bahwa cluster-3 ini merupakan pengelompokan dari Kecamatan maju Dari data rata-rata tersebut dapat dikatakan pada cluster-1 adalah pengelompokan Kecamatan yang perlu peningkatan fasilitas, sedangkan pada cluster-2 adalah pengelompokan Kecamatan yang sudah cukup berkembang serta pada cluster-3 adalah pengelompokan Kecamatan yang terbilang maju, maka kesimpulan ini bersifat subjektif.

89

Distances between Final Cluster Centers Cluster 1

1

2 4188.220

2

4188.220

3

11969.191

3 11969.191 8136.710

8136.710

Tabel ‘’ Distances between Final Cluster Centers ‘’diatas merupakan jarak yang menunjukan bagaimana terpisahnya pasangan individu cluster. Adapun hasil jarak anta cluster yaitu : - Jarak cluster-1 dengan cluster-2 yaitu 4.188,220 - Jarak cluster-1dengan cluster-3 yaitu 11.969,191 - Jarak cluster-2 dengan cluster-3 yaitu 8.136,710 ANOVA luas_wilayah kepadatan_pend uduk sarana_pendidik an jumlah_murid

Cluster Mean Square 462.320 5831239.343

df 2 2

Error Mean Square 231.011 916938.405

df 14 14

1736.754

2

62.245

14

F

Sig.

2.001 6.359

.172 .011

27.90 .000 2 78940762.17 2 1440653.245 14 54.79 .000 0 5 The F tests should be used only for descriptive purposes because the clusters have been chosen to maximize the differences among cases in different clusters. The observed significance levels are not corrected for this and thus cannot be interpreted as tests of the hypothesis that the cluster means are equal.

Pada tabel ANOVA diatas merupakan tahapan selanjutnya yang perlu dilakukan yaitu melihat perbedaan variabel pada cluster yangterbentuk.

Dalam hal ini dapat dilihat dari nilai Fdan nilai probabilitas (sig) masing – masing variabel pada tabel ANOVA diatas.

Rumus nilai F :

Dimana dalam tabel ANOVA di atas MS Between ditunjukan oleh Means

Square

,sedangkan

MS

Within

ditunjukan

oeh

Means

Square .Semakin besar nilai F dan (sig < 0,05), maka semakin besar perbedaan variabel pada cluster yang terbentuk. Dengan demikian hasil cluster yang diperoleh dalam kasus ini bahwa variabel sarana Pendidikan dan jumlah murid bersekolah yang paling menunjukan adanya perbedaan diantara variabel lainnya pada cluster yang terbentuk, ditunjukan dengan

90

nilai F = 27.902 dan sig = 0,000 untuk sarana Pendidikan dan nilai F = 54.795 dan sig = 0,000 untuk jumlah murid bersekolah Number of Cases in each Cluster Cluster

1 2 3

10.000 6.000 1.000 17.000 .000

Valid Missing

Dari tabel Number Of Cases in each Cluster diatas diperoleh bahwa cluster-1 beranggotakan 10 sampel Kecamatan, sedangkan cluster-2 beranggotakan 6 sampel Kecamatan dan cluster-3 beranggotakan 1 sampel Kecamatan dari total seluruh sampel yang ada yaitu 17 sampel Kecamatan.

Sehingga untuk komposisi cluster di Kabupaten Karanganyar disajikan pada tabel dibawah berikut ini : No

Cluster 1

1

Kecamatan Jatipuro

2 3

Kecamatan Jatiyoso Kecamatan Jumapolo

4

Kecamatan umanton

5

Kecamatan Matesin Kecamatan Tawangmangu Kecamatan Ngargoyo Kecamatan Karangpandan Kecamatan Kerjo Kecamatan Jenawi

6 7 8 9 10

Cluster 2 Kecamatan Tasikmadu Kecamatan Jaten Kecamatan Colomadu Kecamatan Gondangrejo Kecamatan Kebakkramat Kecamatan Mojogedang

Cluster 3 Kecamatan Karanganyar

Hierarkhi Cluster Case Processing Summarya Valid N

Percent N 17 100.0 a. Average Linkage (Between Groups)

Cases Missing Percent 0 .0

Total N 17

Percent 100.0

Berdasarkan tabel diatas dapat diketahui bahwa data yang digunakan dapat

diproses

dan

diketahui

oleh

program

(tidak

ada

yang

missing/terlewatkan). Jumlah data yang terproses merupakan total keseluruhan kecamatan yang ada di Kabupaten Karanganyar yaitu sebanyak 17 kecamatan. Hal ini berarti rangkaian analisis yang dilakukan dapat 91

dikatakan valid 100% karena keseluruhan data berhasil diproses dan terdeteksi oleh program

Proximity Matrix

Melalui tabel ‘’proximity matrix’’ diatas, dapat diketahui jarak antar kecamatan yang ada. Tabel ini berfungsi sebagai langkah awal dalam menentukan klaster yang nantinya akan dibentuk.

Kecamatan Jatipuro - Memiliki jarak paling dekat dengan Kecamatan Ngargoyo yaitu 187.233,9493 - Terdekat kedua dengan Kecamatan Jenawi yaitu sebesar 713.829,2217 - Terdekat ketiga dengan Kecamatan Jatiyoso yaitu sebesar 761.240,373 Kecamatan Jatiyoso - Memiliki jarak paling dekat dengan Kecamatan Jenawi yaitu 8.177,312 - Terdekat kedua dengan Kecamatan Ngargoyo yaitu sebesar 231.406,645 - Terdekat ketiga dengan Kecamatan Jumanton yaitu sebesar 414.219,417 Kecamatan Jumapolo - Memiliki jarak paling dekat dengan Kecamatan Kerjo yaitu 119.098,510 - Terdekat kedua dengan Kecamatan Jumanton yaitu sebesar 416.541,910 - Terdekat ketiga dengan Kecamatan Tawangamangu yaitu sebesar 515.734,669 Kecamatan Jumanton

92

- Memiliki jarak paling dekat dengan Kecamatan Jatiyoso yaitu 414.219,417 - Terdekat kedua dengan Kecamatan Jumapolo yaitu sebesar 416.541,9105 - Terdekat ketiga dengan Kecamatan Jenawi yaitu sebesar 516.026,400 Kecamatan Matesin - Memiliki jarak paling dekat dengan Kecamatan Karangpandan yaitu 453.972,110 - Terdekat kedua dengan Kecamatan Kerjo yaitu sebesar 736.508,3025 - Terdekat ketiga dengan Kecamatan Jumapolo yaitu sebesar 828.593,2676 Kecamatan Tawangamangu - Memiliki jarak paling dekat dengan Kecamatan Kerjo yaitu 158.678,064 - Terdekat kedua dengan Kecamatan Karangpandan yaitu sebesar 295.584,507 - Terdekat ketiga dengan Kecamatan Jumapolo yaitu sebesar 5157.34,669 Kecamatan Ngargoyo -

Memiliki jarak paling dekat dengan Kecamatan Jatipuro yaitu 187.233,949

-

Terdekat kedua dengan Kecamatan Jenawi yaitu sebesar 187.784,599

-

Terdekat ketiga dengan Kecamatan Jatiyoso yaitu sebesar 231.406,644 Kecamatan Karangpandan

- Memiliki jarak paling dekat dengan Kecamatan Kerjo yaitu 274.952,229 - Terdekat kedua dengan Kecamatan Tawangmangu yaitu sebesar 295.584,507 - Terdekat ketiga dengan Kecamatan Jumapolo yaitu sebesar 667.562,822 Kecamatan Karanganyar - Memiliki jarak paling dekat dengan Kecamatan Tasikmadu yaitu 37.897.275,497 - Terdekat kedua dengan Kecamatan Mojogedang yaitu sebesar 41.607.531,820

93

- Terdekat ketiga dengan Kecamatan Kebakkramat yaitu sebesar 68.711.996,324 Kecamatan Tasikmadu - Memiliki jarak paling dekat dengan Kecamatan Mojogedang yaitu 1.155.259,268 - Terdekat kedua dengan Kecamatan Kebakkramat yaitu sebesar 4.804.524,359 - Terdekat ketiga dengan Kecamatan Gondangrejo yaitu sebesar 9,101.726,580 Kecamatan Jaten - Memiliki jarak paling dekat dengan Kecamatan Kebakkramat yaitu 3.130.079,318 - Terdekat kedua dengan Kecamatan Gondangrejo yaitu sebesar 3.694.554,548 - Terdekat

ketiga

dengan

Kecamatan

Colomadu

yaitu

sebesar

4.052.793,665 Kecamatan Colomadu - Memiliki

jarak

paling

dekat

dengan

Kecamatan

Jaten

yaitu

4.052.793,665 - Terdekat kedua dengan Kecamatan Kebakkramat yaitu sebesar 14.252.496,524 - Terdekat ketiga dengan Kecamatan Karangpandan yaitu sebesar 17.718.348,571 Kecamatan Gondangrejo - Memiliki jarak paling dekat dengan Kecamatan Kebakkramat yaitu 698.834,327 - Terdekat kedua dengan Kecamatan Karangpandan yaitu sebesar 3.035.483,396 - Terdekat ketiga dengan Kecamatan Jaten yaitu sebesar 3.850.532,680 Kecamatan Kebakkramat - Memiliki jarak paling dekat dengan Kecamatan Gondangrejo yaitu 698.834,327

94

- Terdekat kedua dengan Kecamatan Jaten yaitu sebesar 3.130.079,318 - Terdekat ketiga dengan Kecamatan Mojogedang yaitu sebesar 3.850.532,680 Kecamatan Mojogedang - Memiliki jarak paling dekat dengan Kecamatan Tasikmadu yaitu 1.155.259,268 - Terdekat kedua dengan Kecamatan Kebakkramat yaitu sebesar 3.850.532,680 - Terdekat ketiga dengan Kecamatan Gondangrejo yaitu sebesar 7.054.944,332 Kecamatan Kerjo - Memiliki jarak paling dekat dengan Kecamatan Jumapolo yaitu 119.098,510 - Terdekat kedua dengan Kecamatan Tawangmangu yaitu sebesar 158.678,064 - Terdekat ketiga dengan Kecamatan Karangpandan yaitu sebesar 274.952,229 Kecamatan Jenawi - Memiliki jarak paling dekat dengan Kecamatan Jatiyoso yaitu 8.177,311 - Terdekat kedua dengan Kecamatan Ngargoyo yaitu sebesar 187.784,599 - Terdekat ketiga dengan Kecamatan Jumanton yaitu sebesar 516.026,400 Jadi, kemungkinan besar, Kecamatan yang memiliki jarak terdekat ini akan membentuk satu klaster Agglomeration Schedule Stage

Cluster Combined

Coefficients

Stage Cluster First Appears Cluster 1 Cluster 2

Next Stage

Cluster 1

Cluster 2

1

11

13

109.000

0

0

10

2

2

17

2213.000

0

0

9

3

3

5

3737.000

0

0

6

4

6

8

9640.000

0

0

8

5

10

15

70480.000

0

0

14

6

3

16

91861.500

3

0

8

7

1

7

142418.000

0

0

11

8

3

6

312685.667

6

4

13

9

2

4

380746.500

2

0

11

10

11

12

424600.500

1

0

12

95

11

1

2

842111.000

7

9

13

12

11

14

1067880.667

10

0

14

13

1

3

3296934.320

11

8

15

14

10

11

7827931.500

5

12

15

15

1

10

17241804.000

13

14

16

16

1

9

114701547.800

15

0

0

Tabel Agglomeration Schedule akan menganalisis lebih lanjut menegenai pembentukan kluster setelah jarak berhasil diukur. Berdasarkan cara pembentukan klaster oleh tabel Agglomeration Schedule diketahui bahwa indikator utamanya adalah jarak. Jarak didapatkan dari analisis luas wilayah, kepadatan penduduk, jumlah sarana pendidikan, dan jumlah murid bersekolah yang sebelumnya diolah. Melalui perhitungan diatas dapat diartikan bahwa Pada stage 1, - kecamatan 11 (Jaten) ternyata memiliki kemiripan dengan kecamatan 13 (Gondangrejo), lanjut stage 10; - Kecamatan 11 mirip dengan kecamatan 12 (Colomadu), lanjut stage 12 - Kecamatan 11 mirip dengan kecamatan 14 (Kebakkramat) Jadi anggota kelompok baru adalah Kecamatan Jaten, Gondangrejo, Colomadu dan Kebakkramat karena memiliki kemiripan dari segi variabelnya Pada stage 2, - kecamatan 2 (Jatiyoso) ternyata memiliki kemiripan dengan kecamatan 17 (Jenawi), lanjut stage 9; - Kecamatan 2 mirip dengan kecamatan 4 (Jumantono) Jadi anggota kelompok baru adalah Kecamatan Jatiyoso dan Jumantono karena memiliki kemiripan dari segi variabelnya Pada stage 3, - kecamatan 3 (Jumapolo) ternyata memiliki kemiripan dengan kecamatan 5 (Matesin), lanjut stage 6; - Kecamatan 3 mirip dengan kecamatan 16 (Kerjo), lanjut stage 8 - Kecamatan 3 mirip dengan kecamatan 6 (Tawangmangu) Jadi anggota kelompok baru adalah Kecamatan Jumapolo, Kerjo, dan Tawangmangu memiliki kemiripan dari segi variabelnya

96

Pada stage 4, - kecamatan 6 (Tawangmangu) ternyata memiliki kemiripan dengan kecamatan 8 (Karangpandan), lanjut stage 8; Jadi anggota kelompok baru adalah Kecamatan Tawangmangu dan Karangpandan memiliki kemiripan dari segi variabelnya Pada stage 5, - kecamatan 10 (Tasikmadu) ternyata memiliki kemiripan dengan kecamatan 15 (Mojogedang), lanjut stage 14 - Kecamatan 10 mirip dengan kecamatan 11 (Jaten) Jadi anggota kelompok baru adalah Kecamatan Tasikmadu, Jaten dan Jatipuro memiliki kemiripan dari segi variabelnya Pada stage 7, - kecamatan 1 (Jatipuro) ternyata memiliki kemiripan dengan kecamatan 7 (Ngargoyoso), lanjut stage 11 - Kecamatan 1 mirip dengan kecamatan 2 (Jatiyoso), lanjut stage 13 - Kecamatan 1 mirip dengan kecamatan 3 (Jumapolo), lanjut stage 15 - Kecamatan 1 mirip dengan kecamatan 10 (Tasikmadu), lanjut stage 16 - Kecamatan 1 mirip dengan kecamatan 9 (Karanganyar) Jadi anggota kelompok baru adalah Kecamatan Jatipuro, Ngargoyoso, Jatiyoso, Jumapolo, Tasikmadu dan Karanganyar memiliki kemiripan dari segi variabelnya Case 1:Jatipuro 2:Jatiyoso 3:Jumapolo 4:Jumanton 5:Matesin 6:Tawangma 7:Ngargoyo 8:Karangpa 9:Karangan 10:Tasikmad 11:Jaten 12:Colomadu 13:Gondangr 14:Kebakkra 15:Mojogeda 16:Kerjo 17:Jenawi

Cluster Membership 4 Clusters 3 Clusters 1 1 1 1 1 1 1 1 2 3 3 4 3 3 3 1 1

2 Clusters 1 1 1 1 1 1 1 1 2 3 3 3 3 3 3 1 1

1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1

97

Berdasarkan

tabel

Cluster

Membership

diatas,

Kabupaten

Karanganyar terdiri dari 3 macam klaster, yaitu 2 klaster, 3 klaster, 4 klaster.

Tabel cluster membership ini bertujuan untuk menentukan jumlah cluster dan kemiripannya/pengelompokkannya. Adapun anggota dari ketiga cluster yaitu : Cluster 2 -

Anggota cluster-1 terdiri dari semua Kecamatan kecuali Kecamatan Karanganyar

Cluster 3 -

Anggota cluster-1 terdiri dari Kecamatan Jatipuro, Jatiyoso, Jumapolo, Jumanton, Matesin, Tawangmangu, Ngargoyo, Karangpandan, Kerjo dan Jenawi

-

Anggota cluster-2 terdiri dari Kecamatan Karanganyar

-

Anggota cluster-3 terdiri dari Kecamatan Tasikmadu, Jaten, Colomadu, Godangrejo, Kebakkramat dan Mojogedang

Cluster 4 - Anggota cluster-1 terdiri dari Kecamatan Jatipuro, Jatiyoso, Jumapolo, Jumanton, Matesin, Tawangmangu, Ngargoyo, Karangpandan, Kerjo dan Jenawi - Anggota cluster-2 terdiri dari Kecamatan Karanganyar - Anggota cluster-3 terdiri dari Kecamatan Tasikmadu, Jaten, Godangrejo, Kebakkramat dan Mojogedang - Anggota cluster-4 terdiri dari Kecamatan Colomadu Melalui hasil analisis diatas diketahui bahwa Kecamatan Colomadu menjadi salah satunya Kecamatan yang tidak memiliki kemiripiran dengan Kecamatan lainnya di Kabupaten Karanganyar. Kecamatan Colomadu memiliki luas wilayah yang paling kecil dengan tingkat kepadatan yang sangat padat daripada Kecamatan lainnya yaitu diangka. Selanjutnya Kecamatan yang paling tidak mirip kedua adalah Kecamatan Karanganyar.

Hal ini kemungkinan besar disebabkan oleh jumlah sarana pendidikan di Kecamatan ini yang melampaui jumlah di Kecamatan lainnya, meskipun kepadatan penduduknya sedang. Selain itu dari segi jumlah murid

98

bersekolah, di Kecamatan Karanganyar menjadi yang paling banyak.

Meskipun demikian, secara kualitas tidak dapat disebutkan bahwa Kecamatan Karanganyar yang terbaik, namun sarana pendidikan di Kecamatan Karanganyar seringkali diminati oleh masyarakat dari kecamatan lain sehingga jumlah sarananya menjadi banyak.

Grafik diatas merupakan number of cluster yang merupakan nomor dari cluster sesuai variabel Kecamatan

Proses aglomerasi kemudian ditampilkan secara grafis dalam bentuk dendogram. Dendogram merupakan grafik yang berfungsi untuk mempermudah cara pembacaan pembentukan klaster yang dihasilkan, meskipun demikian hasil yang ditampilkan juga sama dengan tabel Cluster 99

Membership sebelumnya. Pada dendogram angka diatas mengartikan jarak suatu cluster semakin pendek jarak maka terjadi kemiripan dan semakin jauh jarak mengindikasikan tidak ada kemiripan.

7.4 Kesimpulan Melalui analisis yang telah dilakukan dengan bantuan software SPSS dapat disimpulkan bahwa dari 17 kecamatan yang ada pada 4 cluster mengindikasikan bahwa Kecamatan Colomadu merupakan kecamatan yang paling tidak memiliki kemiripan dengan kecamatan lain. Selanjutnya ada Kecamatan Karanganyar yang juga tidak memiliki kemiripan dengan lainnya ketika terbentuk 4,3 dan 2 klaster. Keduanya kemudian membentuk dua klaster yang berbeda (memisahkan diri dari kecamatan lain) ketika program memerintahkan terbentuknya 4 klaster. Untuk Kecamatan Jatipuro, Jatiyoso, Jumapolo, Jumanton, Matesin, Tawangmangu, Ngargoyo, Karangpandan, Kerjo dan Jenawi membentuk satu klaster, sedangkan 5 kecamatan sisanya (Kecamatan Tasikmadu, Jaten, Godangrejo, Kebakkramat dan Mojogedang) membentuk satu klaster lain karena saling memiliki kesamaan karakteristik

100

BAB VIII PENGKODEAN DATA HASIL WAWANCARA

8.1 Deskripsi Data kualitatif berisikan nilai yang bisa dipisah ke dalam kategori yang berbeda dan dibedakan oleh beberapa sifat non-numerik. Pengolahan data kualitatif dapat dilakukan dalam dua cara, yang pertama yaitu membuatnya menjadi angka atau mengkuantifikasi data dan yang kedua yaitu membiarkannya dalam bentuk asli.

Data kualitatif yang dilakukan proses kuantifikasi supaya lebih “obyektif” (terukur), karena ada referensi tertentu, karena jika dibiarkan begitu saja dapat cenderung subyektif dan tergantung bagaimana persepsi seseorang terhadap obyek/data tersebut (Yesiana, 2021).

Salah satu teknik pengumpulan data kualitatif yaitu melalui wawancara.

Wawancara merupakan teknik penggalian data dan informasi langsung kepada sumber (data primer). Dalam hubungannya dengan data kualitatif, teknik wawancara yang digunakan yaitu berupa wawancara setengah-testruktur, wawancara naratif, dan focus group discussion (FGD). Untuk lebih mudah memahami informasi yang diperoleh dari wawancara dengan pertanyaan terbuka dan tidak terstruktur dapat dilakukan proses koding.

Koding sebagaimana diuraikan oleh Saldana dalam Mahpur (2017) dimaksudkan sebagai cara mendapatkan kata atau frase yang menentukan adanya fakta psikologi yang menonjol, menangkap esensi fakta, atau menandai atribute psikologi yang muncul kuat dari sejumlah kumpulan bahasa atau data visual.

101

Data tersebut dapat berupa transkrip wawancara, catatan lapangan observasi partisipan, jurnal, dokumen, literatur, artefak, fotografi, video, website, korespondensi email dan lain sebagainya. Proses pemberian kode dapat dilakukan pada jawaban dari tipe pertanyaan terbuka (open-ended question) meskipun relatif lebih sulit karena memerlukan judgement dari pemberi kode dalam mengintepretasikan jawaban responden. Tujuan pemberian kode pada tipe pertanyaan terbuka adalah untuk mengurangi variasi jawaban responden menjadi beberapa kategori umum. Proses pemberian kode akan memudahkan dan mengingkatkan efisiensi proses data entry ke dalam computer. Dengan demikian pengkodean merupakan proses transisi antara koleksi data dan analisis data yang lebih luas (Mahpur, 2017; Oswari, 2019).

8.2 Keterkaitan Data dengan Tata Ruang Bogdan (dalam Sugiyono, 2018, hlm. 334) menyatakan bahwa analisis data dalam penelitian kualitatif adalah proses mencari dan menyusun secara sistematis data yang diperoleh dari hasil wawancara, catatan lapangan, dan bahan-bahan lain sehingga lebih mudah dipahami, dan temuannya dapat diinformasikan kepada orang lain. Data kualitatif adalah data yang tidak dapat diangkakan atau bersifat non numerik. Teknik analisis data kualitatif pada umumnya merupakan bahasan konseptual suatu permasalahan data kualitatif (kategoris) berisikan nilai yang bisa dipisah ke dalam kategori yang berbeda dan dibedakan oleh beberapa sifat non-numerik → informasi deskriptif, dan bentuk data kualitatif ini berupa hasil wawancara, hasil pengamatan dan dokumen. Analisis kualitatif ini sangat berkaitan dengan perencanaan tata ruang dikarenakan analisi kualitatif berupa wawancara, dan hasil pengamatan yang dimana, penggunaan metode deskriptif kuantitatif ini diselaraskan dengan variable penelitian yang memusatkan pada masalah-masalah aktual dan fenomena yang terjadi pada saat sekarang dengan bentuk hasil penelitian berupa angka-angka memiliki makna(Moleong, 2000) seperti hasil dari wawancara kepada Kepala Desa untuk mengetahui potensi dan keunggulan dari desa tersebut dan dari hasil wawanacara tersebut dapat simpulkan dan di

102

artikan bahwa desa tersebut dapat di jadikan sebagai unggulan pertanian, dan dari hasil wawancara tersebut dapat dibuat pengkodean.

8.3 Pembahasan a. Studi Kasus Studi kasus dalam teknik analisis deskriptif kualitatif ini yaitu berupa pengolahan hasil wawancara mengenai perekonomian dari beberapa desa.

Hasil wawancara yang diolah berupa jawaban-jawaban dari pertanyaan terbuka, tidak terstruktur dan biasanya tentang perspektif (subyektif) dari sumber informasi. Dalam contoh data yang diberikan, yang menjadi narasumber yaitu seorang kepala dan dua orang petani. Informasi yang diperoleh dari wawancara itu berisi seputar potensi desa, komoditas unggulan, keberadaan usaha-usaha, harga lahan, dan pendapatan rata-rata petani. b. Tujuan Tujuan

dari

teknik

analisis

deskriptif

kualitatif

yaitu

mengelompokkan informasi dari hasil wawancara menurut temanya.

Dengan melakukan pengelompokkan ini informasi-informasi yang ada lebih mudah untuk dipahami secara keseluruhan. c. Data Data yang kami gunakan disini merupakan contoh data hasil wawancara yang diberikan pada saat perkuliahan.

103

No Narasumber Pekerjaan Waktu Hari/Tanggal

: 01 : Budi : Kepala Desa : Pukul 09.00 WIB : Selasa, 22 Oktober 2019

Potensi dari desa ini adalah pertanian, bisa dilihat dari lahan pertanian yang cukup subur, didaerah timur ada lahan pertanian jagung yang luas, diselatan ada lahan jahe local dan sebagian palem, ada juga potensi industri ada lahan untuk peternakan ayam yang cukup luas Komoditas unggulan dari desa ini ada singkong, padi, jagung, ubi rambat pada musim kemarau UMKM di desa ini ada Penggergajian Kayu. Selain itu di Selatan itu ada Peternakan yang cukup besar juga.

Untuk harga lahan yang disamping jalan ini sudah cukup mahal. Kisaran Rp. 350.000 – Rp. 500.000 per m2.

Kalau untuk pendapatan rata-rata petani sekitar Rp. 1.000.000 – Rp. 1.500.000 per bulan.

(halaman 1)

104

Narasumber Pekerjaan Waktu Hari/Tanggal

: Sukardi : Petani : Pukul 13.00 WIB : Senin, 21 Oktober 2019

Potensinya pertanian, di desa ini masih banyak lahan pertanian yang subur. Selain itu, juga ditemukan banyak jenis komoditas.

Komoditas unggulannya Padi sama Jagung, kalau di sawah tadah hujan itu kalau baru musim hujan ya padi, tapi kalau sedang musim kemarau seperti sekarang ini ya lebih banyak jagungnya.

Kalau untuk UMKM, disini ada 3. Itu disebelah pertamini itu ada UMKM Tempe. Yang 2 itu juga Tempe juga.

Kalau untuk harga lahan, yang disamping jalan besar depan itu ya sekitar Rp. 300.000, kalau masuk pemukiman, biasanya Rp. 50.000 – Rp. 100.000 per m2.

Kalau untuk lahan sawah itu sekitar Rp. 200.000 – Rp. 300.000 per m2.

Kalau untuk pendapatan rata-rata, yang kerja di pertanian itu sekitar Rp. 500.000 – Rp. 600.000

(halaman 2)

105

Narasumber Pekerjaan Waktu Hari/Tanggal

: Dani : Petani : Pukul 09.00 WIB : Jum’at, 18 Oktober 2019

Komoditas yang paling unggul di desa ini dari sektor pertanian basah dan kering yaitu padi dan jagung, dari sektor perkebunan ada jati, kedua sektor diatas kadang tidak dapat berproduksi jika sedang musim kemarau dan tidak ada sama sekali sumber air.

Dukuh ini tidak memiliki UMKM ataupun industri.

Harga lahan di wilayah yang dekat dengan permukiman (pusat desa) berkisar antara 15 rb sampai 400 rb an, ada yang mencapai harga 80 rb, tergantung dari lokasi lahan tersebut. Sedangkan untuk harga lahan non permukiman tidak mencapai angka 100 rb, rata-rata harga lahan hanya 30 rb sampai 50 rb an, jika lokasi lahan semakin berada ke tengah atau jauh dari sumber air, maka harganya akan semakin murah.

Pendapatan rata-rata berkisaran 1- 2 Jt/bulan, pendapat tersebut jika pada saat sedang musim produktif karena kebanyakan bekerja sebagai petani, tetapi jika sedang tidak musim tani seperti sekarang (kemarau panjang) mayoritas masyarakat akan bekerja serabutan dan pendapatan juga menjadi tidak menentu.

(halaman 3)

106

d. Langkah Pengerjaan Langkah-langkah yang perlu dilakukan ketika ingin melakukan pengolahan data hasil wawancara adalah sebagai berikut.

1) Membaca dengan cermat teks transkrip wawancara.

2) Menandai hal yang penting (kata kunci) dari pembicaraan yang ada.

3) Melakukan pengkodean Contoh: POD untuk potensi dari desa KOM untuk komoditas unggulan US untuk keberadaan usaha HL untuk harga lahan PDP untuk pendapatan rata-rata petani 4) Menyusun kode dari hasil transkrip wawancara ke dalam tabel. (Contoh format

penulisan:

kode

informasi/nomor

narasumber/nomor

halaman/nomor alinea.)

Potensi dari desa ini adalah pertanian, bisa dilihat dari lahan POD/01/01/01 pertanian yang cukup subur, didaerah timur ada lahan pertanian jagung yang luas, diselatan ada lahan jahe local dan sebagian palem, ada juga potensi industri ada lahan untuk peternakan ayam yang cukup luas Komoditas unggulan dari desa ini ada singkong, padi, jagung, KOM/01/01/02 ubi rambat pada musim kemarau UMKM di desa ini ada Penggergajian Kayu. Selain itu di US/01/01/03 Selatan itu ada Peternakan yang cukup besar juga.

Untuk harga lahan yang disamping jalan ini sudah cukup HL/01/01/04 mahal. Kisaran Rp. 350.000 – Rp. 500.000 per m2.

Kalau untuk pendapatan rata-rata petani sekitar Rp. PDP/01/01/05 1.000.000 – Rp. 1.500.000 per bulan.

107

Potensinya pertanian, di desa ini masih banyak lahan POD/02/02/01 pertanian yang subur. Selain itu, juga ditemukan banyak jenis komoditas.

Komoditas unggulannya Padi sama Jagung, kalau di sawah KOM/02/02/02 tadah hujan itu kalau baru musim hujan ya padi, tapi kalau sedang musim kemarau seperti sekarang ini ya lebih banyak jagungnya.

Kalau untuk UMKM, disini ada 3. Itu disebelah pertamini itu US/02/02/03 ada UMKM Tempe. Yang 2 itu juga Tempe juga.

Kalau untuk harga lahan, yang disamping jalan besar depan HL/02/02/04 itu ya sekitar Rp. 300.000, kalau masuk pemukiman, biasanya Rp. 50.000 – Rp. 100.000 per m2. Kalau untuk lahan sawah itu sekitar Rp. 200.000 – Rp. 300.000 per m2.

Kalau untuk pendapatan rata-rata, yang kerja di pertanian itu PDP/02/02/05 sekitar Rp. 500.000 – Rp. 600.000

Komoditas yang paling unggul di desa ini dari sektor KOM/03/03/01 pertanian basah dan kering yaitu padi dan jagung, dari sektor perkebunan ada jati, kedua sektor diatas kadang tidak dapat berproduksi jika sedang musim kemarau dan tidak ada sama sekali sumber air.

Dukuh ini tidak memiliki UMKM ataupun industri.

US/03/03/02

Harga lahan di wilayah yang dekat dengan permukiman (pusat HL/03/03/03 desa) berkisar antara

15 rb sampai 400 rb an, ada yang

mencapai harga 80 rb, tergantung dari lokasi lahan tersebut.

Sedangkan untuk harga lahan non permukiman tidak mencapai angka 100 rb, rata-rata harga lahan hanya 30 rb sampai 50 rb an, jika lokasi lahan semakin berada ke tengah atau jauh dari sumber air, maka harganya akan semakin murah.

Pendapatan rata-rata berkisaran 1- 2 Jt/bulan, pendapat PDP/03/03/04 tersebut jika pada saat sedang musim produktif karena kebanyakan bekerja sebagai petani, tetapi jika sedang tidak

108

musim tani seperti sekarang (kemarau panjang) mayoritas masyarakat akan bekerja serabutan dan pendapatan juga menjadi tidak menentu.

5) Melakukan kategorisasi data • Potensi Desa No 1

Informasi

Kode

Potensi dari desa ini adalah pertanian, bisa dilihat dari POD/01/01/01 lahan pertanian yang cukup subur, didaerah timur ada lahan pertanian jagung yang luas, diselatan ada lahan jahe local dan sebagian palem, ada juga potensi industri ada lahan untuk peternakan ayam yang cukup luas

2

Potensinya pertanian, di desa ini masih banyak lahan POD/02/02/01 pertanian yang subur. Selain itu, juga ditemukan banyak jenis komoditas.

• Komoditas Unggulan

No 1

Informasi

Kode

Komoditas unggulan dari desa ini ada singkong, padi, KOM/01/01/02 jagung, ubi rambat pada musim kemarau

2

Komoditas unggulannya Padi sama Jagung, kalau di KOM/02/02/02 sawah tadah hujan itu kalau baru musim hujan ya padi, tapi kalau sedang musim kemarau seperti sekarang ini ya lebih banyak jagungnya.

3

Komoditas yang paling unggul di desa ini dari sektor KOM/03/03/01 pertanian basah dan kering yaitu padi dan jagung, dari sektor perkebunan ada jati, kedua sektor diatas kadang tidak dapat berproduksi jika sedang musim kemarau dan tidak ada sama sekali sumber air.

• Keberadaan Usaha

No

Informasi

Kode

109

1

UMKM di desa ini ada Penggergajian Kayu. Selain itu di US/01/01/03 Selatan itu ada Peternakan yang cukup besar juga.

2

Kalau untuk UMKM, disini ada 3. Itu disebelah pertamini US/02/02/03 itu ada UMKM Tempe. Yang 2 itu juga Tempe juga.

3

Dukuh ini tidak memiliki UMKM ataupun industri.

US/03/03/02

• Harga Lahan No 1

Informasi

Kode

Untuk harga lahan yang disamping jalan ini sudah cukup HL/01/01/04 mahal. Kisaran Rp. 350.000 – Rp. 500.000 per m2.

2

Kalau untuk harga lahan, yang disamping jalan besar depan HL/02/02/04 itu ya sekitar Rp. 300.000, kalau masuk pemukiman, biasanya Rp. 50.000 – Rp. 100.000 per m2. Kalau untuk lahan sawah itu sekitar Rp. 200.000 – Rp. 300.000 per m2.

3

Harga lahan di wilayah yang dekat dengan permukiman HL/03/03/03 (pusat desa) berkisar antara 15 rb sampai 400 rb an, ada yang mencapai harga 80 rb, tergantung dari lokasi lahan tersebut. Sedangkan untuk harga lahan non permukiman tidak mencapai angka 100 rb, rata-rata harga lahan hanya 30 rb sampai 50 rb an, jika lokasi lahan semakin berada ke tengah atau jauh dari sumber air, maka harganya akan semakin murah.

• Pendapatan Rata-Rata Petani

No 1

Informasi

Kode

Kalau untuk pendapatan rata-rata petani sekitar Rp. PDP/01/01/05 1.000.000 – Rp. 1.500.000 per bulan.

2

Kalau untuk pendapatan rata-rata, yang kerja di pertanian PDP/02/02/05 itu sekitar Rp. 500.000 – Rp. 600.000

3

Pendapatan rata-rata berkisaran 1- 2 Jt/bulan, pendapat PDP/03/03/04 tersebut jika pada saat sedang musim produktif karena kebanyakan bekerja sebagai petani, tetapi jika sedang tidak musim tani seperti sekarang (kemarau panjang) mayoritas

110

masyarakat akan bekerja serabutan dan pendapatan juga menjadi tidak menentu.

6) Merangkai hasil kategorisasi data ke dalam bentuk paragraf yang runtut.

e. Interpretasi Sektor pertanian merupakan sektor yang memiliki peranan penting di Kecamatan X. Hal ini dikarenakan kondisi tanahnya cukup subur sehingga pertanian menjadi potensi dari beberapa desa di kecamatan ini. Di bagian timur Desa X terdapat lahan pertanian jagung yang luas, sedangkan di bagian selatanya ada lahan jahe lokal dan sebagian palem. Begitu pula dengan Desa II, desa ini masih banyak ditemukan lahan pertanian yang subur yang menghasilkan beragam jenis komoditas.

Dari sektor pertanian tersebut kemudian muncul komoditas unggulan yang dimiliki oleh semua desa yaitu, padi dan jagung. Untuk Desa I, selain dua komoditas tersebut ada juga komoditas unggulan yang lain yakni singkong dan ubi rambat. Untuk Desa III, ditemukan pula komoditas dari sektor perkebunan jati. Produksi komoditas-komoditas unggulan tersebut menyesuaikan dengan kondisi musim yang ada, karena persediaan air pada musim kemarau cenderung lebih sedikit bahkan tidak ada sama sekali sumber air.

Meskipun pertanian merupakan sektor yang memiliki perenan penting di Kecamatan X, tidak menutup kemungkinan diemukannya beberapa usaha dan industri. Sebagai contoh adanya UMKM Penggergajian Kayu di Desa I dan UMKM Tempe di Desa II. Tak hanya itu, ditemukan pula peternakan yang cukup besar di Desa I. Beberapa desa tersebut memiliki harga lahan yang beragam. Seperti lahan yang ada di samping jalan Desa I kisaran harganya Rp. 350.000 – Rp. 500.000 per m2. Untuk harga lahan di Desa II, yang di samping jalan besar sekitar Rp. 300.000, sedangkan yang masuk pemukiman Rp. 50.000 – Rp. 100.000 per m2. Kalau untuk lahan sawah itu sekitar Rp. 200.000 – Rp. 300.000 per m2. Di Desa III, diketahui bahwa harga lahan yang berlokasi di

111

wilayah yang dekat dengan permukiman (pusat desa) berkisar antara Rp. 15.000 – Rp. 400.000 per m2.

Pendapatan rata-rata petani dari masing-masing beragam. Untuk pendapatan rata-rata yang paling rendah yaitu berada di Desa II dengan rentang Rp. 500.000,00 – Rp. 600.000,00

8.4 Kesimpulan Dengan melakukan pengkodean berdasarkan tema/pokok bahasan dari suatu

transkrip

wawancara,

variasi

jawaban

responden

menjadi

terklasifikasikan sehingga kita dapat lebih mudah untuk menyerap informasiinformasi yang ada. Selanjutnya dari kumpulan informasi tersebut dapat disusun secara runtut yang nantinya akan membentuk suatu pemahaman yang utuh.

112

BAB IX PENSKORAN DAN PEMBOBOTAN

9.1 Deskripsi Metode skoring adalah teknik analisis data kuantitatif yang digunakan untuk memberikan nilai pada masing-masing karakteristik parameter dari subsub variabel agar dapat dihitung nilainya serta dapat ditentukan peringkatnya.

Dengan metode skoring didapatkan hasil penilaian yang lebih akurat dibanding dengan sistem analisis yang dijalankan saat ini. (Andhayani, dkk 2009) Model (sistem) skoring atau Weighted Linear Combination (WLC) digunakan untuk merepresentasikan tingkat kedekatan, keterkaitan, atau beratnya dampak tertentu pada suatu fenomena secara spasial. Setiap parameter masukan akan diberikan skor dan kemudian akan dijumlahkan untuk memperoleh tingkat keterkaitan. Hasil akhir dari sistem skoring adalah mengklasifikasikan tingkat keterkaitan parameter keluaran. Klasifikasi didasarkan pada nilai total skor dari setiap parameter masukan. Rentang klasifikasi parameter keluaran ditentukan berdasarkan rentang nilai terendah (xmin) hingga tertinggi (xmax) dibagi dengan jumlah kelas yang diinginkan.

Pembobotan merupakan teknik pengambilan keputusan pada suatu proses yang melibatkan berbagai faktor secara bersama-sama dengan cara memberi bobot pada masing-masing faktor tersebut (Kusmiyanti, 2016).

Pembobotan dapat dilakukan secara objective dengan perhitungan statistic atau secara subyektif dengan menetapkannya berdasarkan pertimbagan tertentu.

Penentuan bobot secara subyektif harus dilandasi pemahaman tentang proses tersebut.

113

Salah satu cara penentuan bobot adalah dengan menentukan urutan prioritas kriteria dan menggunakan Surrogate Weight (bobot pengganti) untuk menentukan bobot sesuai dengan jumlah kriteria yang digunakan.

9.2 Keterkaitan Data dengan Tata Ruang Perkembangan industri yang begitu pesat menimbulkan berbagai permasalahan baru. Permasalahan tersebut dapat berupa pertumbuhan permukiman disekitar kawasan industri, kemacetan lalu lintas, rusaknya kawasan lindung, dan masih banyak lagi. Bahkan sering terjadi pelanggaran pemanfaatan ruang berupa tidak memiliki izin berdiri. Konsekuensi pembangunan industri ini tentu saja memerlukan lokasi untuk menjalankan kegiatan produksinya.

Pemilihan lokasi yang tepat bagi pembangunan kawasan industri, akan sangat berpengaruh terhadap perkembangan kawasan industri pada masa yang akan datang. Perkembangan pusat pertumbuhan baru kawasan industri harus memperhatikan kondisi, potensi, dan faktor-faktor geografis untuk mendukung pertumbuhan industri yang ada, dan memperhatikan dampak yang dapat ditimbulkan sehingga dapat diminimalisir agar tidak menjadi permasalahan dikemudian hari. Semakin banyaknya masalah yang terjadi maka diperlukan evaluasi kesesuaian lahan pada kawasan tempat berdirinya industri.

Pembangunan yang menjamur ke arah pembangunan fisik yang berlebihan akan berdampak buruk pada kelestarian alam dan alokasi pembangunan tata ruang yang tidak tepat fungsi. Untuk memberikan solusi pada masalah tersebut, dibutuhkan suatu sistem yang dapat menyediakan keterpaduan data mengenai lahan-lahan mana saja yang cocok untuk diolah data spasialnya sekaligus melakukan analisis dan perhitungan dalam membantu memberikan keputusan untuk alokasi tata ruang wilayah industri.

9.3 Pembahasan a. Studi Kasus Industri merupakan salah satu sektor yang memiliki peranan penting dalam pembangunan dan kemajuan ekonomi suatu negara. Industrialisasi

114

adalah suatu proses perubahan sosial ekonomi yang bertujuan untuk meningkatkan nilai tambah sektor ekonomi yang berkaitan satu sama lain dengan industri pengolahan. Industrialisasi dianggap sebagai suatu keharusan karena menjamin kelangsungan proses pembangunan ekonomi jangka panjang yang menghasilkan peningkatan pendapatan perkapita setiap tahun.

Kabupaten Karanganyar memiliki potensi di bidang industri. Saat ini Kabupaten Karanganyar sendiri saat ini menjadi wilayah kawasan industri yang sangat padat. Pertumbuhan industri di Kabupaten Karanganyar cukup tinggi industri manufaktur besar dan sedang yang berlokasi di Kabupaten ini. Industri besar-sedang tersebut lebih memilih berlokasi di Kecamatan Jaten dibandingkan di Kecamatan Gondangrejo.

Ketimpangan industri manufaktur besar dan sedang di dua Kecamatan ini semakin terlihat dengan terkonsentrasinya industri pada Kecamatan Jaten dibandingkan dengan Kecamatan Gondangrejo (Disperindag, 2010).

Namun, seiring dengan berjalannya waktu pembangunan kawasan industri di Kabupaten Karanganyar mulai tidak teratur dan tidak sesuai alokasi tata ruang menimbulkan masalah baru yang cukup kompleks.

Pembangunan yang menjamur ke arah pembangunan fisik yang berlebihan akan berdampak buruk pada kelestarian alam dan alokasi pembangunan tata ruang yang tidak tepat fungsi. Dalam melakukan evaluasi lahan untuk peruntukkan kawasan industri ini dapat memanfaatkan informasi data geospasial untuk setiap objek dipermukaan bumi. b. Tujuan Tujuan pembobotan parameter adalah untuk mengekspresikan seberapa besar pengaruh suatu parameter terhadap parameter lainnya (Selamat, 2002). Sedangkan tujuan skoring adalah untuk memberikan nilai pada masing-masing karakteristik parameter. Dalam hal ini skoring dan pembobotan dilakukan untuk melihat kesesuain lahan bagi peruntukkan Kawasan industri di Kabupaten Karanganyar. Sehingga dari metode skoring dan pembobotan akan terlihat parameter mana yang berdampak lebih besar dari parameter lainnya serta untuk mendapat klasifikasi akhir skornya

115

berupa sesuai atau tidak sesuainya daerah ini dijadikan sebagai kawasan industri Sedangkan manfaat metode skoring dan pembobotan ini dapat mengetahui tingkat kesesuaian lahan peruntukkan kawasan industri yang dapat dijelaskan lewat parameter dan bobot yang ada. Sehingga dapat juga menjadi bahan antisipasi dalam pembangunan industri di akan datang atau dengan kata lain untuk meminimalisir terjadinya dampak negative yang terjadi di masa mendatang.

Tujuan dari penelitian ini merupakan untuk melihat indikator dalam menentukan Kawasan peruntukkan industri Di Kabupaten Karanganyar dan pemberian skoring serta melakukan pembobotan. c. Data Data yang kami gunakan untuk melihat kesesuaian lahan industri, antara lain: kemiringan lereng, jenis tanah, penggunaan lahan, kerawanan banjir, dan kerawanan longsor. Adapun variabel dan kriteria indikator dalam skoring dan pembobotan ini disajikan pada tabel di bawah ini.

Aspek Kemiringan Lereng (Purwanto & Iswandi, 2019)

Jenis Tanah (Nugraha, Subiyanto, & Wijaya, 2015; Oktorianti, Purwanto, & Budiono, 2014)

Penggunaan Lahan (Iswanto, Sunaryo, & Arafah, 2019; Yudoyono, 2011)

Kerawanan Banjir (Oktorianti et al., 2014) Kerawanan Tanah Longsor (Oktorianti et al., 2014)

Faktor/Indikator/Kriteria

Skor

Bobot

0-3% 3-8% 8 - 15 % 15 - 30 % > 30 % Alluvial, Gley, Palnosol, Hidromorf Kelabu Latosol Tanah Hutan Coklat Tak Bergamping, Mediteran Andosol, Laterit, Grimusol, Podsol, Podsolik Regosol, Litosol, Organosol, Renzina Semak belukar, Lahan kosong, Lahan tidak dimanfaatkan, Hutan Perkebunan Ladang/Tegalan Lahan pertanian seperti sawah tadah hujan dan sejenisnya Sawah Irigasi, Permukiman Rendah Sedang Tinggi Rendah Sedang

5 4 3 2 1

35%

Tinggi

1

Nilai (Skor x Bobot) 1,75 1,4 1,05 0,7 0,35

5

0,5

4

0,4

3

10%

0,3

2

0,2

1

0,1

5

0,75

4 3

15%

0,6 0,45

2

0,3

1 5 3 1 5 3

0,15 1 0,6 0,2 1 0,6

20%

20%

0,2

116

Berdasarkan data tersebut maka diperoleh nilai maksimal sebesar 5,00 dan nilai minimal sebesar 1,00. Karena kelas kesesuaian lahan industri digolongkan menjadi 5 kelas (sangat sesuai, sesuai, cukup sesuai, kurang sesuai, dan tidak sesuai, maka untuk intervalnya bernilai 0,80. 𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙 𝐾𝑒𝑙𝑎𝑠 =

(𝑁𝑖𝑙𝑎𝑖 𝑀𝑎𝑘𝑠𝑖𝑚𝑎𝑙 − 𝑁𝑖𝑙𝑎𝑖 𝑀𝑖𝑛𝑖𝑚𝑎𝑙) 𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝐾𝑒𝑙𝑎𝑠

𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙 𝐾𝑒𝑙𝑎𝑠 =

(5,00 − 1,00) 5

𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙 𝐾𝑒𝑙𝑎𝑠 = 0,80

Dengan mengacu pada Iswanto, Sunaryo, & Arafah (2019) kesesuaian lahan industri diklasifikasikan ke dalam lima kelas sebagai berikut: • Sangat sesuai (4,20 – 5,00): termasuk lokasi yang sangat baik dan sesuai untuk industri • Sesuai (3,40 – 4,20): termasuk lokasi yang baik untuk industri dengan memperhatikan sedikit masalah lingkungan • Cukup sesuai (2,60 – 3,40): termasuk lokasi yang cukup dapat dipergunakan untuk industri dengan perbaikan-perbaikan yang harus dikerjakan sebelumnya • Kurang sesuai (1,80 – 2,60): termasuk lokasi yang kurang dapat digunakan untuk industri, jika dipaksakan harus ada perbaikan-perbaikan yang cukup banyak pada beberapa faktor • Tidak sesuai (1,00 – 1,80): termasuk lokasi yang tidak dapat dipergunakan bagi industri, bila dipergunakan hampir seluruh faktor diperhatikan. d. Langkah Pengerjaan Berikut merupakan langkah-langkah yang kami lakukan dalam praktikum skoring dan pembobotan: 1) Menentukan faktor/indikator yang akan dinilai.

117

2) Memberikan skor untuk setiap faktor/indikator yang dinilai. Pemberian skor perlu disesuaikan pada setiap aspeknya, jika suatu indikator pada suatu aspek memiliki pengaruh “positif” dapat diberikan skor yang tinggi (contoh: kemiringan lereng yang sesuai untuk dijadikan lahan peruntukan industri yaitu pada kelas datar, oleh karena itu kelas datar (0-3%) diberi nilai 5 dan semakin curam lereng maka skornya semakin kecil).

3) Memberikan bobot berdasarkan tingkat kepentingan masing-masing faktor/indikator. Pemberian bobot ini didasarkan pada pertimbangan seberapa besar peran aspek tersebut, untuk menentukannya kita dapat melakukan kajian dari beberapa jurnal.

118

4) Menghitung “Nilai” dengan cara mengalikan tiap skor dengan bobot.

Contoh: 𝑁𝑖𝑙𝑎𝑖 = 𝑆𝑘𝑜𝑟 × 𝐵𝑜𝑏𝑜𝑡 𝑁𝑖𝑙𝑎𝑖 = 5 × 35% 𝑁𝑖𝑙𝑎𝑖 = 1,75

5) Melakukan penilaian nilai tertinggi dan terendah. Nilai tertinggi merupakan penjumlahan dari nilai teratas dari masing-masing aspek, sebaliknya nilai terendah merupakan penjumlahan dari nilai yang paling kecil dari masing-masing aspek.

119

𝑁𝑖𝑙𝑎𝑖 𝑇𝑒𝑟𝑡𝑖𝑛𝑔𝑔𝑖 = 1,75 + 0,5 + 0,75 + 1 + 1 𝑁𝑖𝑙𝑎𝑖 𝑇𝑒𝑟𝑡𝑖𝑛𝑔𝑔𝑖 = 5

𝑁𝑖𝑙𝑎𝑖 𝑇𝑒𝑟𝑒𝑛𝑑𝑎ℎ = 0,35 + 0,1 + 0,15 + 0,2 + 0,2 𝑁𝑖𝑙𝑎𝑖 𝑇𝑒𝑟𝑒𝑛𝑑𝑎ℎ = 1 6) Menghitung interval kelas.

𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙 𝐾𝑒𝑙𝑎𝑠 =

(𝑁𝑖𝑙𝑎𝑖 𝑀𝑎𝑘𝑠𝑖𝑚𝑎𝑙 − 𝑁𝑖𝑙𝑎𝑖 𝑀𝑖𝑛𝑖𝑚𝑎𝑙) 𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝐾𝑒𝑙𝑎𝑠

𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙 𝐾𝑒𝑙𝑎𝑠 =

(5,00 − 1,00) 5

𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙 𝐾𝑒𝑙𝑎𝑠 = 0,80

120

7) Membentuk klasifikasi kelas kesesuaian lahan industri.

8) Selanjutnya dilakukan pengolahan pada aplikasi ArcGIS. skoring dan pembobotan yang telah dilakukan di masukan dalam table atribut pada ArcGIS, hal ini berlaku untuk semua indikator (lima indikator).

Kemudian melakukan overlay pada ArcGIS sehingga didapatlah peta peruntukkan kawasan industri. e. Interpretasi Dalam menentukan Kawasan peruntukkan industri di Kabupaten Karanganyar digunakan menggunakan lima parameter yaitu kemiringan lereng, jenis tanah, penggunaan lahan dan bencana banjir dan longsor.

Masing-masing indikator diberi nilai bobot sesuai dengan tingkat kepentingan suatu indicator tersebut. Adapun pembagian bobot tersaji seperti pada diagram piechart di bawah ini.

PEMBOBOTAN kemiringan lereng

20% 35%

Jenis Tanah Penggunaan Lahan

20%

Kerawanan Banjir Kerawanan Tanah Longsor

15%

10%

Dilihat dari diagram di atas, parameter yang memiliki nilai bobot tertinggi adalah kriteria kemiringan yang memiliki nilai bobot 35% dari keseluruhan, sehingga dapat diartikan bahwa parameter kemiringan lereng merupakan parameter yang paling diutamakan dalam penentuan dan pemilihan lokasi sebuah industri. Analisis kemiringan lereng sangat

121

diperhatikan dikarenakan sebagai penentuan lokasi yang memungkinkan untuk rencana pembangunan industri. Kemiringan lereng sangat penting karena dalam penentuan lokasi industri hendaknya pada areal lahan yang memiliki topografi yang relatif datar, karena tingkat kemiringan lahan akan berpengaruh terhadap pembangunan landasan pacu. Selanjutnya parameter dengan nilai tertinggi kedua adalah kerawanan longsor dan banjir dengan nilai bobot sebesar 20%. Peruntukkan Kawasan industri membutuhkan lingkungan fisik yang baik. Sehingga adanya potensi bencana banjir dan longsor pada daerah industri dapat menimbulkan dampak negatif.

Pada aspek Penggunaan lahan diberi bobot 15 %, aspek ini dibutuhkan untuk melihat daya dukung lahan dalam mengetahui sejauh mana kemampuan sumber daya lahan untuk suatu penggunaan tertentu. Lahan yang dimaksud adalah lahan yang tidak berada di wilayah yang padat penduduk. Sementara itu jenis tanah diberi nilai bobot sebesar 10 % yang berkaitan langsung dengan proses pembangunan pondasi suatu industri kecil maupun besar. Pengukuran daya dukung tanah dilakukan lapangan dengan mengetahui struktur tanah tersebut. Semakin bagus jenis tanah yang digunakan maka semakin bagus untuk menopang bangunan industri.

122

Dalam menentukan kawasan industri ini digunakan lima indikator dengan hasil akhir klasifikasi atau tingkatan kesesuaian lahan industri sebanyak lima kelas, yaitu: No. 1 2 3 4 5

Kelas Kesesuaian Tidak sesuai Kurang sesuai Cukup Sesuai Sangat sesuai

Skor 1,00 – 1,80 1,80 – 2,60 2,60 – 3,40 3,40 – 4,20 4,20 – 5,00

Berdasarkan peta hasil overlay di atas dapat diketahui bahwa penentuan kawasan industri di Kabupaten Karanganyar dibagi menjadi 5 kelas. Secara umum pembangunan industri di Kabupaten Karanganyar dinyatakan sesuai. Adapun daerah yang sesuai untuk Kawasan industri adalah daerah yang mengarah ke barat seperti pada Kecamatan Karanganyar, Jaten, Tasikmadu, Colomadu. Daerah barat memiliki topografi yang datar dan rendah akan tingkat kerawanan longsor.

Sedangkan klasifikasi cukup sesuai berada pada Kecamatan Jumanyono, Jatiyoso karena mengingat daerah ini yang dekat di Gunung Lawu sehingga topografi daerah pun menjadi pertimbangan salah satunya potensi longsor dan kemiringan lereng yang curam. Sementara itu klasifikasi tidak sesuai berada di Kecamatan paling timur Kabupaten Karanganyar yaitu Tawangmangu dan Ngargoyo. Daerah ini memiliki kemiringan lereng yang sangat curam dan tinggi akan bahaya longsor mengingat kondisi daerah yang perbukitan dan tepat berada di lereng barat Gunung Lawu sehingga sangat tidak cocok jika menjadi kawasan industri.

9.4 Kesimpulan Adapun lima indikator yang digunakan yaitu kemiringa lereng 35%, bencana banjir dan longsor 20%, jenis tanah 10% dan penggunaan lahan 15%.

Dari hasil overlay semua parameter tersebut didapatkanlah klasifikasi kesesuian lahan bagi peruntukkan kawasan industri menjadi: • Sangat sesuai, berada pada wilayah barat Kabupaten Karanganyar seperti Kecamatan Colomadu, Karanganyar, Jaten, Tasikmadu, Kebakkramat, Gondangrejo, Mojogendang

123

• Sesuai, berada pada Kecamatan Kebakkramat • Cukup sesuai, berada pada Kecamatan Jatiyoso, Jumantono, Jumapolo • Kurang Sesuai, berada pada Kecamatan Jatiyoso, Jenawi, Kerjo • Tidak sesuai, berada pada Kecamatan Tawangmangu, Ngargoyoso

124

BAB X PENUTUP

Berdasarkan serangkaian praktikum yang telah dilakukan sebelumnya, dapat disimpulkan bahwa pengolahan data memiliki peranan penting agar data penelitian menjadi memiliki arti dan makna. Pengolahan dan analisis data hasil penelitian berbeda satu dengan lainnya. Dalam memilih teknik pengolahan data perencanaan dapat disesuaikan denga karakteristik permasalahan, karakteristik sampel, serta karakteristik hubungan dan banyaknya variabel. Untuk teknik analisisinya dapat disesuaikan dengan tujuan, jenis data (sifat), dan skala data.

Berikut merupakan rangkuman dari teknik analisis yang dibahas dalam laporan ini.

Statistik Deskriptif

2

Crosstab

3

Korelasi dan Regresi

1

Analisis Deskriptif Secara Kuantitatif

Teknik Analisis

Analisis Deskriptif Secara Kuantitatif

Jenis Analisis

Analisis Kuantitatif

No

Penjelasan

Penerapan

Statistik deskriptif digunakan untuk memberi gambaran terhadap objek yang diteliti melalui data sampel. Dimana data yang telah diperoleh yang masih berupa acak dapat dibuat menjadi data yang berkelompok atau disebut distribusi frekuensi Crosstabs digunakan untuk menghitung frekuensi dan persentase dua atau lebih variabel secara sekaligus dengan cara menyilangkan variabel-variabel yang dianggap berhubungan sehingga mudah dipahami secara deskriptif

Diterapkan pada data kependudukan Kota Batu 2019, dimana bentuk distribusi data kepadatan penduduk adalah tidak normal dan distribusi menceng ke kanan atau kemencengan positif.

Alat analisis: Ms. Excel Diterapkan dalam melihat apakah ada hubungan yang terjadi antara minat jurusan dan semangat belajar pada mahasiswa PTRP UNDIP, dimana terdapat hubungan yang lemah.

Alat analisis: SPSS Diterapkan untuk melihat hubungan dari jumlah pengangguran dan Angkatan kerja terhadap pertumbuhan ekonomi di Kota Batu, didapatkan hasil bahwa tidak adanya hubungan antara variabel tersebut.

Alat analisis: SPSS

Analisis korelasi dan regresi ini digunakan untuk mengetahui hubungan antara dua variabel atau lebih serta untuk memprediksi seberapa jauh pengaruh yang ada tersebut

125

Analisis diskriminan digunakan untuk mengklasifikasikan suatu individu ke dalam salah satu dari dua kelompok atau lebih serta mengetahui perbedaan klasifikasian beberapa variabel yang sudah ditentukan

6

Analisis Cluster

Analisis Cluster digunakan untuk mengelompokkan data (obyek) agar obyek-obyek yang memiliki kemiripan (atau berhubungan) dapat tergabung dalam sebuah kelompok, kemudian yang berbeda (atau tidak berhubungan) dipisahkan dalam kelompok yang lain

7

Pengkodean Data Hasil Wawancara

untuk model dalam sebab

Pengkodean digunakan untuk mengurangi variasi jawaban responden menjadi beberapa kategori menurut temanya.

Dengan melakukan pengelompokkan ini informasiinformasi yang ada lebih mudah untuk dipahami secara utuh.

Penskoran dan Pembobotan

SEM digunakan membangun dan menguji statistik yang biasanya bentuk model-model akibat

Analisis Multivariate

Diskriminan

Penerapan

Analisis Deskriptif Secara Kualitatif

5

Penjelasan

Analisis Kualitatif

4

Structural Equation Modeling (SEM)

Teknik Analisis

Analisis Kuantitatif

Jenis Analisis

Analisis Kuantitatif

No

Penskoran dan Pembobotan digunakan untuk merepresentasikan tingkat kedekatan, keterkaitan, atau beratnya dampak tertentu pada suatu fenomena secara spasial.

Setiap parameter masukan akan diberikan skor dan kemudian akan dijumlahkan untuk memperoleh tingkat keterkaitan

8

Diterapkan untuk melihat apakah ada perbedaan yang jelas antar grup pada variabel dependen di dalam preferensi masyarakat terhadap transportasi umum. Didapatkan bahwa hanya ada satu variabel yang akan digunakan untuk membentuk fungsi diskriminan, yaitu variable kenyamanan.

Alat analisis: SPSS Diterapkan di Kota Surabaya untuk melihat keterkaitan antar variable dalam pengembangan kampung cerdas dalam mewujudkan konsep smart city.

Didapatkan bahwa terdapat hubungan dari variabel Smart Mobility dan Smart People serta smart ekonomic.

Alat analisis: WarpPLS Diterapkan dalam pengelompokkan Kecamatan yang sekiranya membutuhkan penanganan yang sama dan berbeda dalam pengadaan sarana dan prasarana di Kabupaten Karanganyar menggunakan variabel luas wilayah, kepadatan penduduk, jumlah sarana pendidikan, dan jumlah murid bersekolah.

Didapatkan bahwa Kecamatan Colomadu dan Karanganyar yang paling tidak memiliki kemiripan.

Alat analisis: SPSS Diterapkan dalam pengolahan hasil wawancara mengenai perekonomian dari beberapa desa. Dalam contoh data yang diberikan, informasi yang diperoleh seputar potensi desa, komoditas unggulan, keberadaan usaha-usaha, harga lahan, dan pendapatan rata-rata petani.

Alat analisis: Ms. Word Skoring dan pembobotan diterapkan dalam melihat kesesuain lahan bagi peruntukkan Kawasan industri di Kabupaten Karanganyar.

Dimana didapatkan lima indikator yang digunakan yaitu kemiringan lereng 35%, bencana banjir dan longsor 20%, jenis tanah 10% dan penggunaan lahan 15%.

Alat analisis: Ms. Excel dan ArcGIS

126

DAFTAR PUSTAKA

Astuti, K. D. (2021). Teknik Pengolahan Data Perencanaan (pp. 1–13). pp. 1–13.

Universitas Diponegoro.

Aedi, N. (2010). Pengolahan dan Analisis data Hasil Penelitian. In Bahan Belajar Mandiri Metode Penelitian Pendidikan (Issues 10, 27, pp. 1–30). Universitas BPS Indonesia. (n.d.). Kepadatan Penduduk. Retrieved March 16, 2021, from Website

Badan

Pusat

Statistik

Indonesia

website:

https://www.bps.go.id/index.php/istilah/index?Istilah%5Bkatacarian%5D=k epadatan+penduduk&yt0=Tampilkan#:~:text=Kepadatan penduduk adalah banyaknya penduduk,pemerataan penduduk dalam program transmigrasi.

Fauzy, A. (2009). Confidence Bands for Survivor Function of Two Parameters Exponential Distribution under Double Type-II Censoring with Bootstrap Percentile. Statistika, 9(1).

Hasan, I. (2001). Pokok-Pokok Statistik 2 (Statistik Inferensif). Cet. Hasan, M. I. (2001). Pokok-pokok Materi Statistik I (Statistik Deskriptif), Bumi Aksara. Jakarta.

Hidayati, sulija. (2010). ‘’Perbandingan Analisis Cluster Dengan Pautan Tunggal (Single Linkage) dan Metode K-Means. Skripsi. Sains dan Teknologi, Matematika, UIN Sunan Kalijaga, Yogyakarta.

Hidayat, Anwar. 2014. ‘’ Interprestasi Analisis Cluster Non Hirarki dengan SPSS’’. https://www.statistikian.com/2014/03/interprestasi-analisis-cluster-nonhirarki-dengan-spss.html. Diakses pada tanggal 24 Maret 2021 pukul 19.00 WIB. Iswanto, T. F., Sunaryo, D. K., & Arafah, F. (2019). Penentuan Lokasi Potensial untuk Pengembangan Kawasan Industri Menggunakan Sistem Informasi Geografis. 1–14. Retrieved from http://eprints.itn.ac.id/4034/9/jurnal thio.pdf Kuswanto, D. (2012). Statistik untuk Pemula dan Orang Awam. Jakarta: Laskar Aksara.

Khusnah, Izzah. (2015). ‘’ Analisis Cluster Studi Kasus: Kabupaten Jepara Jawa Tengah’’. Teknik, Perencanaan Wilayah dan Kota, Universitas Diponegoro, Semarang.

127

Legowo, M. B. (2016). Analisis Faktor–Faktor Yang Mempengaruhi Prestasi Akademik Mahasiswa Dengan Menggunakan Metode Analisis Diskriminan.

Jurnal Teknologi, 9(2), 108–115.

Mahpur, M. (2017). Memantapkan Analisis Data Melalui Tahapan Koding.

Repository Universitas Islam Negeri Malang, 1–17. Retrieved from http://repository.uin-malang.ac.id/800/2/koding.pdf Moleong, L. J. P. D. M. A. (2000). (2000). Pengaruh reward and punishment terhadap motivasi belajar siswa di SMA Pasundan 3 Bandung. Metode Penelitian, 1(2006), 34–45.

Novia Putri, D., Sudarti, & Hadi, S. (2017). Analisis Pengaruh Pertumbuhan Ekonomi Dan Jumlah Angkatan Kerja Terhadap Jumlah Pengangguran Di Kota Batu. Jurnal Ilmu Ekonomi, 1, 270–281.

Nugraha, W. S., Subiyanto, S., & Wijaya, A. P. (2015). Penentuan Lokasi Potensial untuk Pengembangan Kawasan Industri Menggunakan Sistem Informasi Geografis di Kabupaten Boyolali. Jurnal Geodesi Undip, 4(1), 194–202.

Nuraini, I. (2017). Kualitas Pertumbuhan Ekonomi Daerah Kabupaten / Kota Di Jawa Timur. Jurnal Ekonomi Pembangunan, Vol. 15, 79–93.

Nasional, D. P. (2008). Pengolahan dan Analisis Data Penelitian. Jakarta: Direktorat Tenaga Kependidikan, Direktorat Jenderal Peningkatan ….

Oktorianti, R., Purwanto, & Budiono. (2014). Evaluasi Daya Dukung Lahan untuk Industri Besar di Kecamatan Ungaran Barat dan Ungaran Timur. Prosiding Seminar Nasional Sains Dan Pendidikan Sains IX, 349–354.

Oswari,

T.

(2019).

Analisis

Data

Deskriptif.

Retrieved

from

http://toswari.staff.gunadarma.ac.id/Downloads/files/56594/9+Analisis+Dat a+Deskriptif.pdf Paramasatya, D. A. (2017). Penentuan Kriteria Pengembangan Kampung Cerdas di Kota Surabaya Dalam Mewujudkan Konsep Smart City (Institut Teknologi Sepuluh

Nopember).

Retrieved

from

https://repository.its.ac.id/43742/1/3613100064-undergraduate_theses.pdf Permanasari, P., Bisri, M., & Suharyanto, A. (2012). Pengaruh Guna Lahan terhadap Penurunan Infiltrasi di Kota Batu. Jurnal Tata Kota Dan Daerah, 4(2),

129–138.

Retrieved

from

128

https://tatakota.ub.ac.id/index.php/tatakota/article/view/146 Purwanto, A., & Iswandi. (2019). Pemanfaatan Sistem Informasi Geografis untuk Menentukan Lokasi Potensial Pengembangan Kawasan Industri di Kabupaten Pati.

Jurnal

Tanah

Dan

Sumberdaya

Lahan,

6(2),

1219–1228.

https://doi.org/10.21776/ub.jtsl.2019.006.2.2 Putra, R. N. (2015). Implementasi Kebijakan Pengendalian Alih Fungsi Lahan Pertanian di Kota Batu sebagai Kawasan Agropolitan. Kebijakan Dan Manajemen

Publik

Volume,

3(2),

71–80.

Retrieved

from

http://journal.unair.ac.id/download-fullpapers-kmpf91be666c4full.pdf Rahmy, W. A., Faisal, B., & Soeriaatmadja, A. R. (2012). Kebutuhan Ruang Terbuka Hijau Kota pada Kawasan Padat, Studi Kasus di Wilayah Tegallega, Bandung. Lingkungan Binaan Indonesia, 1(1), 27–38. Retrieved from https://jlbi.iplbi.or.id/wp-content/uploads/2012/07/V1N1-p027-p038Kebutuhan-Ruang-Terbuka-Hijau-Kota-Pada-Kawasan-Padat.pdf Ramadhani, L., Purnamasari, I., & Amijaya, F. D. T. (2018). Penerapan Metode Complete Linkage dan Metode Hierarchical Clustering Multiscale Bootstrap (Studi Kasus: Kemiskinan di Kalimantan Timur Tahun 2016). Eksponensial, 9(1), 1–10. Retrieved from https://fmipa.unmul.ac.id/files/docs/[1] LISDA RAMADHANI 1307015041_Edit.pdf Riduwan, M. B. A. (2003). Dasar-Dasar Statistika. Bandung: Alfabeta.

Santoso, S. (2017). Statistik multivariat dengan SPSS. Elex Media Komputindo.

Suradika, A. (2020). Bagian Kedelapan Pengolahan dan Analisis Data. Retrieved from

https://www.researchgate.net/publication/340654541_Teknik_

Analisis_Data Suradika, A. (2020). Bagian Kedelapan Pengolahan dan Analisis Data. Universitas Muhammadiyah Jakarta.

Tondobala, L. (2015). Pengembangan Struktur Ruang: Mereduksi Mobilitas Perkotaan.

Media

Matrasain,

12(2),

73–79.

Retrieved

from

https://ejournal.unsrat.ac.id/index.php/jmm/article/view/9209.

Talakua, M. W., Leleury, Z. A., & Taluta, A. W. (2017). Analisis cluster dengan menggunakan metode k-means untuk pengelompokkan kabupaten/kota di provinsi maluku berdasarkan indikator indeks pembangunan manusia tahun

129

2014. BAREKENG: Jurnal Ilmu Matematika dan Terapan, 11(2), 119-128.

Ulum, M., Tirta, I. M., & Anggraeni, D. (2014). Analisis Structural Equation Modeling (SEM) untuk Sampel Kecil dengan Pendekatan Partial Least Square (PLS). Tersedia Secara Online Di: Http://Download. Portalgaruda.

Org/Article. Php. Walpole, R. E., & Myers, R. H. (1995). Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan. Bandung: ITB. Wibowo, A. (2012). Bab 3: Nilai Ringkasan Data. In Statistika untuk Penelitian (pp.

1–16).

Retrieved

from

http://staffnew.uny.ac.id/upload/132255130/

pendidikan/STATISTICS+03.pdf Wirosoedarmo, R., Haji, A. T. S., & Zulfikar, F. (2016). Analisa Perubahan Tata Guna Lahan dan Pengaruhnya Terhadap Pencemaran di Brantas Hulu, Kota Batu, Jawa Timur. Jurnal Sumberdaya Alam Dan Lingkungan, 3(1), 33–39.

Retrieved from https://jsal.ub.ac.id/index.php/jsal/article/view/251 Yesiana, R. (2021). Penggunaan Teknik Analisis Deskriptif secara Kualitatif (pp.

1–27). pp. 1–27. Universitas Diponegoro.

Yudoyono, A. (2011). Teknik Skoring untuk Berbagai Analisis Spasial.

Zein, S. Z., Yasyifa, L. Y., Ghozi, R. G., Harahap, E., Badruzzaman, F. H., & Darmawan, D. (2019). Pengolahan dan Analisis Data Kuantitatif Menggunakan Aplikasi SPSS. Teknologi Pembelajaran, 4(2).

130

LAMPIRAN

Link: bit.ly/LampiranK03

131

132