LANGKAH SPSS SKALOGRAM

download LANGKAH SPSS SKALOGRAM

of 16

description

langkah spss skalogram

Transcript of LANGKAH SPSS SKALOGRAM

BAB IIDASAR TEORI

2.1 Analisis Hirarki Teknik SkalogramLouis Guttman (1950) salah satu skala satu dimensi menggambarkan respon subyek terhadap obyek tertentu menurut tingkatan yang sempurna, orang yang mampu menjawab semua pertanyaan dengan baik akan lebih baik dibandingkan dengan yang mampu menjawab sebagian saja.Skalogram digunakan untuk menganalisis pusat-pusat permukiman, khususnyahirarki atau orde pusat-pusat permukiman. Subyek dalam hal ini digantidengan pusat permukiman, sedangkan obyek diganti dengan fungs pelayananatau kegiatan yang sifatnya juga mempunyai tingkatan (hierarki) Analisisskalogram biasanya kemudian diberikan tambahan bobot untuk menghasilkananalisis yang lebih baik. Dengan beberapa tambahan analisis, misalnya aturanMarshall, ataualgoritma Reed-Muench, tabel skalogram menjadi indikasi awalanalisis jangkauan pelayanansetiap fungsi dan pusat permukiman yang dihasilkan.Tahapan dalam analisis skalogram yaitu:1. Identifikasi semua kawasan perkotaan yang ada.2. Perhitungan jumlah penduduk di setiap kawasan perkotaan.3. Indentifikasi fungsi-fungsi perkotaan yang ada disetiap kawasan perkotaan.Alat analisis scalogram membahas mengenai fasilitas perkotaan yang dimiliki suatu daerah sebagai indikator difungsikannya daerah tersebut sebagai salah satu pusat pertumbuhan. Tujuan digunakannya analisis ini adalah untuk mengidentifikasi kota-kota yang dapat dikelompokkan menjadi pusat-pusat pertumbuhan berdasarkan pada fasilitas kota yang tersedia (Blakely, 1994: 94-99).Analisis scalogram mengelompokkan klasifikasi kota berdasarkan tiga komponen fasilitas dasar yang dimilikinya yaitu :

a. Differentiation Adalah fasilitas yang berkaitan dengan aktifitas ekonomi. Fasilitas ini menunjukkan bahwa adanya struktur kegiatan ekonomi lingkungan yang kompleks, jumlah dan tipe fasilitas komersial akan menunjukkan derajat ekonomi kawasan/kota dan kemungkinan akan menarik sebagai tempat tinggal dan bekerja.b. SolidarityAdalah fasilitas yang berkaitan dengan aktifitas sosial. Fasilitas ini menunjukkan tingkat kegiatan sosial dari kawasan/kota. Fasilitas tersebut dimungkinkan tidak seratus persen merupakan kegiatan sosial namun pengelompokkan tersebut masih dimungkinkan jika fungsi sosialnya relatif lebih besar dibandingkan sebagai kegiatan usaha yang berorientasi pada keuntungan (benefit oriented).

c. CentralityAdalah fasilitas yang berkaitan dengan kegiatan ekonomi-politik/pemerintahan. Fasilitas ini menunjukkan bagaimana hubungan dari masyarakat dalam sistem kota/komunitas. Sentralitas ini diukur melalui perkembangan hierarki dari insitusi sipil, misalnya kantor pos, sekolahan, kantor pemerintahan dan sejenisnya.Hirarki kota akan berfungsi sebagai pusat-pusat pelayanan baik skala regional maupun lokal. Tahapan penyusunan analisis skalogram adalah sebagai berikut (Rondinelli, 1985:115 dan Budiharsono, 2005:151) :1. Membuat urutan kota berdasarkan jumlah penduduk pada sebelah kiri tabel.2. Membuat urutan fasilitas yang ditentukan berdasarkan frekuensi pada bagian atas.3. Menggambar garis kolom dan baris sehingga lembar kerja tersebut membentuk matriks yang menampilkan fasilitas yang ada pada masing-masing wilayah kota.4. Menggunakan tanda (1) pada sel yang menyatakan keberadaan suatu fasilitas pada suatu wilayah dan tanda (0) pada sel yang tidak memiliki fasilitas.5. Menyusun ulang baris dan kolom berdasarkan frekuensi keberadaan fasilitas, semakin banyak fasilitas yang ada pada suatu wilayah kota, maka wilayah tersebut berada di urutan atas, semakin banyak wilayah yang memiliki fasilitas tersebut, maka jenis fasilitas tersebut berada pada kolom sebelah kiri.6. Mengalikan kolom-kolom yang telah disusun dengan nilai indeks sentralitas masing-masing kemudian disusun ulang seperti langkah 5.7. Langkah terakhir mengidentifikasi peringkat/hirarki kota yang dapat diinterpretasikan berdasarkan nilai keberadaan fasilitas pada suatu wilayah. Semakin tinggi nilainya maka hirarki kota tersebut semakin tinggi.

2.1.1 Prosedur Penyususnan Skalogram1. Siapkan Matrik Data antara obyek yang akan diurutkan terhadap variabel penilainya, dengan skala pengukuran Ordinal atau Dikotomi.2. Mengubah Matrik Data menjadi Matrik antara Obyek dengan Kelas Nilai Variabel.3. Pertukarkan Urutan Obyek dan Variabel, sehingga memenuhi Prinsip Konsistensi Obyek yang mempunyai banyak nilai variabel dalam kelas Tinggipindahkan ke atas Variabel yang banyak memiliki nilai kelas Tinggipindahkan ke kanan.4. Berikan Nilai Skor untuk Setiap Skala Obyek Posisi Tinggi: 3 Posisi Sedang: 2 Posisi Rendah: 1 ditentukan sendiri, sepanjang nilai intervalnya seragam5. Hitung Koefisien Reproductibility: menyatakan tingkat kebenaran

2.2 Analisis Faktor Didalam Analisa Hirarki teknik skalogram ini menggunakan bantuan analisa faktor untuk menyederhanakan variable yang banyak menjadi lebih sederhana dalam membuat skalogram.

Langkah-langkah dalam Analisis faktor dengan SPSS, awalnya dengan menyamakan satuan data:2.2.1 Standarisasi Data1. Buka data yang sudah dimasukkan. Tampilannya seperti berikut.

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

3. Pada kolom Variable(s) masukkan semua variabel, lalu centang pilihanSave standardized values as variables.KemudianPilih MenuOptionsmaka akan muncul tampilan berikut.

4. Beri tanda cek padaMean, denganpadaDispersiondicekStandard DeviationdanVariance, serta beri tanda cek padaVariable ListpadaDisplay Order. kemudian Klik Continue. Maka akan muncul variabel baru seperti berikut.

2.2.2 Melakukan Analisis Faktor1. PilihAnalyze >>Data Reduction>>Factor.Maka akan muncul jendelaFactor Analysis

2. Pilih semua variabel sebagai variabel analisis.KlikDescriptive, pada bagianCorrelation Matrixberi tanda cek padaCoefficient,significan levels, invers, Anti image dan KMO and Bartletts test of sphericity. Klik Continue.

3. Kemudian klik padaExtractiondan pastikan pilihan Analyze padacorrelation matrixdan pada bagian Display beri tanda cek pada kedua pilihan. Sebagai kriteria ekstaksi (Extraction) kita akan menggunakan eigenvalue, yaituEigenvalues over: 1. Klik Continue.

4. KlikRotationlalu pilihVarimaxdan pada Display pilihRotated Solution. Klik Continue

5. KlikScores, lalu beri tanda cekSave as VariablesdenganMethod: RegressiondanDisplay factor score coefficient matrix,agar kita bisa melihat nilai variabel/faktor baru yang terbentuk. Klik Continue.

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

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

Kemudian pada baris sig.(1-tailed) menunjukkan signifikansi korelasi antara variabel-variabel tersebut. Korelasi antara variabel ibu tinggal di desa dengan ibu yang bekerja signifikan, terlihat dari nilai p-value sebesar 0,001(1 adalah komponen yang dipakai. Kolom cumulative % menunjukkan persentase kumulatif varians yang dapat dijelaskan oleh faktor. Besarnya keragaman yang mampu diterangkan oleh Faktor 1 sebesar 33,233 persen, sedangkan keragaman yang mampu dijelaskan oleh Faktor 1 dan 2 sebesar 56,787 persen. Ketiga faktor mampu menjelaskan keragaman total sebesar 71,485 persen. Berdasarkan alasan nilai eigen value ketiga faktor yang lebih dari 1 dan besarnya persentase kumulatif ketiga faktor sebesar 71,485 persen, dapat disimpulkan bahwa ketiga faktor sudah cukup mewakili keragaman variabel variabel asal.

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

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

Table component matrix menunjukkan besarnya korelasi tiap variabel dalam faktor yang terbentuk. Nilai nilai koefisien korelasi antara variabel dengan faktor - faktor yang terbentuk (loading factor) dapat dilihat pada table Component Matrix. Ketiga faktor tersebut menghasilkan matrik loading faktor yang nilai-nilainya merupakan koefisien korelasi antara variabel dengan faktor-faktor tersebut. Bila dilihat variabel variabel yang berkorelasi terhadap setiap faktornya, ternyata loading faktor yang dihasilkan belum mampu memberikan arti sebagaimana yang diharapkan. Hal ini terlihat dari variabel ibu yang tidak punya KMS dimana korelasi variabel ini dengan faktor 1 sebesar 0,609, sedangkan dengan faktor 2 sebesar -0,508 (tanda negative hanya menunjukkan arah korelasi), sehingga kita sulit untuk memutuskan apakah variabel ibu tidak punya KMS dimasukkan ke faktor 1 atau faktor 2. Tiap faktor belum dapat diinterpretasikan dengan jelas sehingga perlu dilakukan rotasi dengan metode varimax. Rotasi varimax adalah rotasi orthogonal yang membuat jumlah varian faktor loading dalam masing-masing faktor akan menjadi maksimum, dimana nantinya peubah asal hanya akan mempunyai korelasi yang tinggi dan kuat dengan faktor tertentu saja (korelasinya mendekati 1) dan tentunya memiliki korelasi yang lemah dengan faktor yang lainnya (korelasinya mendekati 0). Hal yang demikian belum tercapai pada table component matrix diatas.Rotated Component Matrix

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

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

Component Transformation Matrix

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