PENERAPAN DOMINANCE ANALYSIS UNTUK MENENTUKAN KEPENTINGAN FAKTOR-FAKTOR YANG MEMPENGARUHI TINGKAT ADOPSI TEKNOLOGI NELAYAN (Studi Kasus pada Nelayan Kabupaten Aceh Jaya)
ALFIN KHAIRI
DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa skripsi berjudul Penerapan Dominance Analysis untuk Menentukan Kepentingan Faktor-Faktor yang Mempengaruhi Tingkat Adopsi Teknologi Nelayan (Studi Kasus pada Nelayan Kabupaten Aceh Jaya) adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Februari 2014 Alfin Khairi NIM G14080004
ABSTRAK ALFIN KHAIRI. Penerapan Dominance Analysis untuk Menentukan Kepentingan Faktor-Faktor yang Mempengaruhi Tingkat Adopsi Teknologi Nelayan (Studi Kasus pada Nelayan Kabupaten Aceh Jaya). Dibimbing oleh BUDI SUSETYO dan BAGUS SARTONO. Pemanfaatan sumberdaya ikan yang optimal sangat dipengaruhi oleh teknologi penangkapan ikan yang diterapkan oleh para nelayan. Ada banyak faktor yang mungkin mempengaruhi tingkat adopsi teknologi penangkapan ikan oleh nelayan. Pendekatan regresi logistik biner digunakan untuk menentukan faktor-faktor mana saja yang berpengaruh secara nyata terhadap tingkat adopsi teknologi nelayan, sementara untuk menentukan kepentingan faktor-faktor tersebut digunakan dominance analysis dengan ukuran kecocokan model McFadden ( ) sebagai nilai pembanding. Berdasarkan analisis regresi logistik biner dihasilkan enam peubah yang berpengaruh nyata pada taraf 5%, yaitu peubah umur nelayan, pengalaman nelayan, pendapatan nelayan, aktivitas mencari informasi, persepsi nelayan, dan dukungan kelompok nelayan. Pemeringkatan peubah menggunakan dominance analysis menghasilkan tiga kelompok peubah berdasarkan tingkat kepentingannya. Kelompok pertama berisi peubah dengan tingkat kepentingan yang paling tinggi yaitu persepsi nelayan (X6), kelompok kedua berisi tiga peubah yaitu umur nelayan (X1), pengalaman nelayan (X3), dan dukungan kelompok nelayan (X9), dan kelompok ketiga berisi dua peubah yang memiliki tingkat kepentingan paling rendah yaitu peubah pendapatan nelayan (X4) dan aktivitas mencari informasi (X5). Kata kunci: dominance analysis, regresi logistik biner, tingkat adopsi teknologi nelayan
ABSTRACT ALFIN KHAIRI. Dominance Analysis Application to Determine Importance of Factors Affecting The Adoption of Fisherman Technology (Case Study of Fisherman in Aceh Jaya District ). Supervised by BUDI SUSETYO and BAGUS SARTONO. Optimal utilization of fish resources is strongly influenced by fishing technology applied by the fisherman. There are many factors that may affect the level of fishing technology adoption by fisherman. Binary logistic regression approach is used to determine which factors that influence on the rate of fisherman’s technology adoption, while to determine importance of the factors, dominance analysis is used by the McFadden’s measures of model fit ( ) as the comparison value. Based on the analysis of binary logistic regression resulting six variables which are significant at the level of 5%, there are variables of fisherman’s age, fishing experience, fisherman’s income, the activity of searching for information, fisherman’s perception, and fisherman’s group support. The ranking predictors using dominance analysis result in three groups of predictors
based on level of importance. The first group contains predictors with the highest level of importance, namely the perception of fisherman (X6). The second group contains three predictors, they are the fisherman’s age (X1), the fishing experience (X3), and the fisherman’s group support (X9). The third group contains two predictors that have lowest interest rate, they are the fisherman’s income (X4) and activity of searching for information (X5). Keywords: binary logistic regression, dominance analysis, the fisherman level of technology adoption
PENERAPAN DOMINANCE ANALYSIS UNTUK MENENTUKAN KEPENTINGAN FAKTOR-FAKTOR YANG MEMPENGARUHI TINGKAT ADOPSI TEKNOLOGI NELAYAN (Studi Kasus pada Nelayan Kabupaten Aceh Jaya)
ALFIN KHAIRI
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Statistika pada Departemen Statistika
DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
Judul Skripsi : Penerapan Dominance Analysis untuk Menentukan Kepentingan Faktor-Faktor yang Mempengaruhi Tingkat Adopsi Teknologi Nelayan (Studi Kasus pada Nelayan Kabupaten Aceh Jaya) Nama : Alfin Khairi NIM : G14080004
Disetujui oleh
Dr Ir Budi Susetyo, MSi Pembimbing I
Dr Bagus Sartono, MSi Pembimbing II
Diketahui oleh
Dr Anang Kurnia, MSi Ketua Departemen
Tanggal Lulus:
Skripsi: Penerapan Dominance Analysis untuk Menentukan Kepentingan Faktor-Faktor yang Mempengaruhi Tingkat Adopsi Teknologi Nelayan (Studi Kasus pada Nelayan Kabupaten Aceh Jaya) a : Alfin Khairi 1 : G 14080004
Disetujui oleh
DrIrMMSi
~--
Dr B gus Sarto no, MSi Pembimbing II
Pembimbing I
( Diketahui oleh
. ;k-.Dr Anjlng
umia. MSi Kefu.a Departemen
Tanggal Lulus:
D3
R 201
PRAKATA Puji dan syukur penulis panjatkan kehadirat Allah SWT, atas berkah-Nya karya ilmiah ini berhasil diselesaikan. Karya ilmiah ini berjudul Penerapan Dominance Analysis untuk Menentukan Kepentingan Faktor-Faktor yang Mempengaruhi Tingkat Adopsi Teknologi Nelayan (Studi Kasus pada Nelayan Kabupaten Aceh Jaya), ditujukan untuk memenuhi syarat guna memperoleh gelar Sarjana Statistika pada Departemen Statistika FMIPA IPB. Terima kasih penulis ucapkan kepada Bapak Dr Ir Budi Susetyo, MSi dan Bapak Dr Bagus Sartono, MSi selaku pembimbing, serta seluruh civitas akademika Departemen Statistika IPB atas masukan dan bantuannya. Terima kasih penulis ucapkan kepada Bapak Chaliluddin, SPi, MSi atas izin penggunaan data penelitian dan segala bantuan lainnya. Terima kasih penulis ucapkan kepada Ayah dan Bunda tersayang, kak una, arif, seluruh keluarga, dan teman-teman atas semua dukungan dan doa. Terima kasih juga penulis sampaikan kepada seluruh pihak yang turut membantu dalam penyelesaian karya ilmiah ini. Semoga karya ilmiah ini bermanfaat.
Bogor, Februari 2014 Alfin Khairi
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
2
TINJAUAN PUSTAKA
2
Regresi Logistik Biner
2
Pendugaan Parameter
3
Dominance Analysis
3
McFadden
4
Ukuran Dominasi Kualitatif
4
Prosedur Bootstrap
5
METODE
5
Data
5
Metode Analisis Data
6
HASIL DAN PEMBAHASAN
6
Model Regresi Logistik Biner
6
Penentuan Peringkat Kepentingan Peubah
7
SIMPULAN
10
DAFTAR PUSTAKA
11
LAMPIRAN
12
RIWAYAT HIDUP
20
DAFTAR TABEL 1 2 3 4
Ketepatan prediksi model pada cut point 0.649 Dominance analysis menggunakan ukuran kecocokan model Perbandingan hasil pemeringkatan kepentingan peubah pada 3 metode berbeda Hasil analisis konsistensi pemeringkatan kepentingan peubah dengan 1000 sampel bootstrap
7 8 8 9
DAFTAR LAMPIRAN 1 2 3 4 5 6 7 8 9
Peubah yang digunakan Analisis regresi logistik biner dengan 11 peubah Hasil pemodelan dengan enam peubah penjelas. Nilai sensitivitas dan spesifisitas di berbagai kemungkinan cut point Plot sensitivitas dan spesifisitas dengan berbagai kemungkinan cut point Hasil dominance analysis Hasil analisis konsistensi untuk nilai complete dominance dan conditional dominance dengan 1000 sampel bootstrap Dendogram pengelompokan peubah menggunakan metode average linkage Peta Kabupaten Aceh Jaya
12 13 13 14 15 16 17 19 20
PENDAHULUAN Latar Belakang Kabupaten Aceh Jaya merupakan salah satu kabupaten yang ada di Provinsi Aceh. Kabupaten ini merupakan hasil pemekaran dari Kabupaten Aceh Barat yang terletak di pantai barat Aceh, memiliki potensi perikanan yang belum dimanfaatkan secara optimal. Perairan pesisir Kabupaten Aceh Jaya merupakan bagian Samudera Hindia yang memiliki panjang garis pantai sekitar 135 km dengan produksi perikanan laut mencapai 1065 ton pada tahun 2011 dengan jumlah nelayan sebanyak 2663 orang (BPS Kabupaten Aceh Jaya 2012). Praktek pemanfaatan sumber daya ikan di Kabupaten Aceh Jaya masih banyak menggunakan cara-cara tradisional yang diwarisi turun-temurun. Pemanfaatan sumberdaya ikan yang optimal sangat dipengaruhi oleh teknologi penangkapan ikan yang diterapkan oleh para nelayan. Ada banyak faktor yang mungkin mempengaruhi tingkat adopsi teknologi para nelayan. Faktor-faktor tersebut meliputi faktor internal seperti profil serta persepsi nelayan dan faktor eksternal seperti dukungan kelembagaan dan pemerintah. Untuk mengetahui faktor-faktor mana saja yang mempengaruhi tingkat adopsi teknologi penangkapan ikan yang diterapkan nelayan, maka digunakanlah analisis regresi logistik biner serta dominance analysis untuk melihat peringkat kepentingan faktor-faktor tersebut. Telah banyak pendekatan yang digunakan untuk menentukan peringkat kepentingan peubah dalam model regresi logistik. Thompson (2009) menjelaskan setidaknya ada enam kemungkinan metode untuk menentukan kepentingan peubah dalam model regresi logistik, yaitu: (1) standardized coefficients, (2) p‐ values of Wald chi‐square statistics, (3) a pseudo partial correlation metric for logistic regression, (4) adequacy, (5) c‐statistics, dan (6) information values. Dalam penerapannya metode-metode ini menghasilkan hasil pemeringkatan kepentingan yang berbeda-beda. Perbedaan dalam hasil pemeringkatan ini disebabkan oleh beberapa hal, seperti perbedaan antar metode dalam memperhitungkan pengaruh peubah lain ketika memeringkatkan peubah, kelemahan beberapa metode dalam menjelaskan sifat peubah yang kontinu atau kategorik, kelemahan beberapa metode yang tidak mampu mengatasi masalah multikolinearitas, serta perbedaan statistik yang digunakan sebagai dasar dalam pemeringkatan. Dominance analysis mendefinisikan kepentingan peubah dengan cara yang unik, yaitu dengan membandingkan setiap pasangan peubah yang ada di semua kemungkinan model. Dalam penerapannya untuk menentukan kepentingan peubah dalam regresi logistik digunakan suatu ukuran kecocokan model yaitu McFadden. Ukuruan kecocokan model ini berdasar pada likelihood ratio, memenuhi empat kriteria ukuran kecocokan model untuk regresi logistik, yaitu: (1) Boundedness, (2) Invariance, (3) Monotocity, dan (4) Interpretability serta memiliki formula yang lebih sederhana dibanding ukuran kecocokan model lainnya. Tidak seperti beberapa metode lainnya, penggunaan dominance analysis dengan sebagai ukuran pembanding mampu mengatasi permasalahan-
2 permasalahan sebelumnya dalam menentukan peringkat kepentingan peubah dalam model regresi logistik. Dominance analysis akan membandingkan setiap pasangan peubah di semua kemungkinan model, sehingga nantinya akan diperoleh rata-rata nilai kontribusi penambahan suatu peubah di setiap kemungkinan model yang diyakini sebagai pendekatan yang lebih cocok dan lebih mampu menjelaskan apa yang kita maksud sebagai “kepentingan peubah” (Azen & Traxel 2009).
Tujuan Penelitian Tujuan dari penelitian ini ialah untuk mengetahui faktor-faktor yang berpengaruh pada tingkat adopsi teknologi nelayan menggunakan analisis regresi logistik biner, kemudian menentukan peringkat kepentingan faktor-faktor tersebut menggunakan dominance analysis.
TINJAUAN PUSTAKA Regresi Logistik Biner Regresi logistik biner adalah suatu metode analisis statistika yang mendeskripsikan hubungan antara peubah respon yang memiliki dua kategori dengan satu atau lebih peubah penjelas yang berskala kategorik atau kontinu (Hosmer & Lemeshow 2000). Satu kejadian peubah respon Y mengikuti sebaran Bernoulli dengan fungsi sebaran peluang : f(Y=y) = πy (1-π)1-y dengan y = {0,1} dan π adalah peluang kejadian bernilai Y = 1. Jika kejadian peubah respon Y berjumlah n dan setiap kejadian saling bebas dengan yang lain maka peubah respon Y akan mengikuti sebaran Binomial. Bentuk model regresi logistik dengan P(Y=1|x) = π(x) adalah: [
]
dengan: = β0+β1x1+β2x2+…+βpxp p = jumlah peubah bebas Fungsi di atas berbentuk non linier, sehingga untuk membentuk fungsi linier dilakukan transformasi logit sebagai berikut (Agresti 2002): logit [π(x)] =
= ln[
]
3 Pendugaan Parameter Pendugaan parameter yang digunakan dalam regresi logistik biner adalah metode kemungkinan maksimum (maximum likelihood). Metode ini dapat digunakan jika antara amatan yang satu dengan amatan yang lainnya diasumsikan saling bebas, maka fungsi kemungkinan maksimumnya adalah : n
l ( ) ( xi ) yi 1 ( xi ) i 1
1 yi
dengan: i = 1,2,…,p yi = pengamatan pada peubah penjelas ke-i π(xi) = peluang kejadian ke-i bernilai Y=1 Parameter βi diduga dengan memaksimumkan persamaan di atas, untuk mempermudah perhitungan maka dilakukan pendekatan logaritma sehingga menjadi fungsi log-likelihood sebagai berikut: L(β)=∑
yi ln [π(xi)]+(1-yi) ln [1-π(xi)]}
Nilai dugaan βi dapat diperoleh dengan membuat turunan pertama dari L(β) terhadap βi = 0 dengan i = 1,2,…,p. Dari nilai tersebut dapat diketahui penduga dari π(x) dimana ̂ (x) adalah penduga logit sebagai fungsi linier dari peubah penjelas (Hosmer & Lemeshow 2000).
Dominance Analysis Dominance analysis merupakan suatu metode untuk menentukan kepentingan relatif atau dominasi suatu peubah dalam model regresi dengan cara membandingkan setiap pasangan peubah di semua kemungkinan model. Dominance analysis akan mendefinisikan besar kontribusi penanambahan setiap peubah di setiap penambahan peubah tersebut di semua kemungkinan model melalui suatu ukuran kecocokan model (misalnya, R2 dalam model regresi linier). Nilai kontribusi penambahan tersebut didefinisikan sebagai berikut:
dengan: = Nilai kontribusi penambahan peubah ke-i ke dalam model dengan k peubah. = setelah masuknya peubah ke-i = sebelum masuknya peubah ke-i Peringkat kepentingan peubah akan ditentukan berdasarkan nilai rata-rata besar kontribusi penambahan peubah di semua kemungkinan model.
4 ̅
∑
dengan: ̅ = Rata-rata kontribusi penambahan peubah ke-i dalam model dengan k peubah p = Jumlah peubah penjelas pada model penuh Suatu peubah dikatakan mendominasi peubah lainnya bila nilai rata-rata kontribusinya ( ) lebih besar dari pada peubah lainnya, dengan kata lain peubah yang memiliki nilai rata-rata kontribusi terbesar akan menduduki peringkat pertama dalam peringkat kepentingan peubah (Azen & Traxel 2009). McFadden McFadden adalah suatu ukuran kecocokan model dalam model regresi logistik. Ukuran kecocokan model ini berdasar kepada likelihood ratio yang didefinisikan sebagai berikut:
dengan: = Nilai likelihood tanpa peubah bebas = Nilai likelihood dengan semua peubah McFadden ini merupakan ukuran kecocokan model yang paling cocok digunakan dalam model regresi logistik, karena selain memiliki formula matematika yang sederhana, juga memenuhi semua kriteria dalam penentuan ukuran kecocokan model regresi logistik (Azen & Traxel 2009).
Ukuran Dominasi Kualitatif Ukuran dominasi kualitatif adalah bentuk transformasi dari nilai rata-rata kontribusi penambahan peubah ( ). Tahapan transformasi diawali dengan menentukan selisih nilai rata-rata kontribusi penambahan peubah Xi dengan Xj (Azen & Traxel 2009), dimana: yang kemudian dilambangkan dengan =
–
Kemudian tahapan selanjutnya mengkonversi yang dilambangkan dengan , dimana: 1 jika = -1 jika 0 jika
dalam bentuk kualitatif
> 0 (Xi mendominasi Xj) < 0 (Xj mendominasi Xi) = 0 (dominasi tidak bisa ditentukan)
5 Prosedur Bootstrap Metode bootstrap merupakan suatu metode penaksiran non-parametrik yang dapat menaksir parameter-parameter dari suatu distribusi, ragam dari nilai tengah sampel, serta dapat menaksir tingkat kesalahan (error). Pada metode bootstrap dilakukan pengambilan sampel dengan pengembalian (resampling with replacement) dari data sampel. Secara singkat, algoritma bootstrap adalah sebagai berikut (Mooney & Duval 1993): 1. Ambil sampel berukuran n, yaitu S : x1, x2, ..., xn 2. Ambil sampel kembali dari S dengan pengembalian berukuran n dan dapatkan nilai ̂ untuk sampel Si. 3. Lakukan langkah 2 sebanyak B, (B sebanyak 1000 – 5000), tentukan nilai statistik dengan bootstrap: ̂
̂ dan
̂
̂
Dalam penerapannya pada dominance analysis, prosedur bootstrap ini digunakan untuk menentukan besar bias dan selang kepercayaan untuk selisih nilai kontribusi rata-rata ( ) dan menghitung tingkat keterulangan atau reproducibility dari ukuran dominasi kualitatif ( ) (Azen & Traxel 2009). Pada setiap pengambilan sampel bootstrap dihitung nilai dan . Besar bias berdasarkan data sampel didefinisikan sebagai nilai mutlak dari selisih nilai dengan nilai rata-rata pada sampel bootstrap. Selanjutnya nilai reproducibility didefinisikan sebagai jumlah pengulangan nilai berdasarkan data sampel pada sebanyak B (1000 – 5000) kali sampel bootstrap.
METODE Data Data yang digunakan dalam penelitian ini berasal dari survei Adopsi Teknologi dalam Pemanfaatan Sumber Daya Ikan Berbasis Kearifan Lokal di enam kecamatan di Kabupaten Aceh Jaya dengan jumlah responden sebanyak 117 orang nelayan. Peubah respon yang menjadi perhatian adalah tingkat adopsi teknologi (Y), kategori 0 untuk tingkat adopsi teknologi rendah dan kategori 1 untuk tingkat adopsi teknologi tinggi. Peubah bebas dalam penelitian ini meliputi faktor internal dan faktor eksternal, peubah yang merupakan faktor internal meliputi umur nelayan (X1), tingkat pendidikan (X2), pengalaman (X3), pendapatan (X4), aktivitas mencari sumber informasi (X5), persepsi terhadap teknologi penangkapan ikan (X6) dan keberanian mengambil resiko (X7), sedangkan peubah yang merupakan faktor eksternal meliputi dukungan penyuluhan perikanan (X8), dukungan kelompok nelayan (X9), dukungan kelembagaan panglima laot (X10), dan dukungan pemerintah daerah (X11).
6 Metode Analisis Data Metode yang digunakan pada penelitian ini ialah analisis regresi logistik biner dan dominance analysis, adapun tahapan-tahapan yang dilakukan dalam penelitian ini yaitu sebagai berikut: 1. Melakukan analisis regresi logistik biner. 2. Melakukan dominance analysis dengan sebagai ukuran pembanding untuk menentukan rata-rata kontribusi penambahan setiap peubah di semua kemungkinan model secara kuantitatif dan kualitatif guna menentukan peringkat kepentingan peubah. 3. Melakukan prosedur bootstrap sebanyak 1000 sampel untuk menghitung bias dan selang kepercayaan persentil dari selisih nilai rata-rata kontribusi peubah ( ) dan menghitung nilai reproducibility dari ukuran dominasi kualitatif ( ). 4. Melakukan pengelompokan peubah berdasarkan tingkat kepentingannya menggunakan metode pautan rataan (average linkage) dengan nilai reproducibility sebagai ukuran ketakmiripan.
HASIL DAN PEMBAHASAN Model Regresi Logistik Biner Pendugaan model regresi logistik biner dengan menggunakan 11 peubah penjelas dapat dilihat pada Lampiran 2 menghasilkan nilai statistik uji G sebesar 67.962 dengan nilai p sebesar 0.000. Hal ini berarti pengujian parameter secara keseluruhan menunjuknya setidaknya ada satu peubah penjelas yang berpengaruh signifikan terhadap tingkat adopsi teknologi nelayan (Y) pada taraf 5%. Sedangkan pengujian parameter secara parsial dengan uji wald menunjukkan ada enam peubah penjelas yang signifikan pada taraf 5%, yaitu umur nelayan (X1), pengalaman nelayan (X3), pendapatan nelayan (X4), aktivitas mencari informasi (X5), persepsi nelayan (X6), dan dukungan kelompok nelayan (X9). Pada Lampiran 3 dapat dilihat hasil pemodelan dengan menggunakan enam peubah yang berpengaruh di atas. Hasil pendugaan parameter regresi yang semuanya bernilai positif menunjukkan bahwa kenaikan nilai-nilai di keenam peubah tersebut akan meningkatkan kecenderungan nelayan memiliki tingkat adopsi teknologi tingi. Berikut rumusan model yang dihasilkan: ̂
-19.420 + 0.137X1 + 0.176X3 + 0.105X4 + 0.985X5 + 1.682X6 + 1.271X9
Pada Tabel 1 dapat dilihat hasil evaluasi keakuratan model dengan menggunakan nilai cut point sebesar 0.649. Nilai cut point tersebut adalah nilai optimum yang didapat dengan cara mencari titik perpotongan antara spesifisitas dan sensitivitas. Nilai spesifisitas dan sensitivitas di berbagai cut point dapat dilihat pada Lampiran 4 dan 5.
7 Tabel 1 Ketepatan prediksi model pada cut point 0.649 Prediksi % Aktual Adopsi Teknologi Adopsi Teknologi Ketepatan Rendah Tinggi Adopsi Teknologi 28 5 84.8 Rendah Adopsi Teknologi 13 71 84.5 Tinggi % Ketepatan Keseluruhan (CCR) 84.6 Berdasarkan Tabel 1 diketahui bahwa dari 33 nelayan yang memiliki tingkat adopsi teknologi rendah sebanyak 28 orang (84.8%) diantaranya diklasifikasikan dengan benar oleh model, sedangkan dari 84 nelayan yang memiliki tingkat adopsi teknologi tinggi sebanyak 71 orang (84.5%) diantaranya diklasifikasikan dengan benar oleh model. Secara keseluruhan sebanyak 99 orang nelayan (84.6%) diklasifikasikan dengan benar oleh model.
Penentuan Peringkat Kepentingan Peubah Pemeringkatan kepentingan peubah dilakukan dengan menerapkan dominance analysis menggunakan ukuran kecocokan model McFadden ( ) untuk mengetahui besar kontribusi penambahan setiap peubah yang akan menjadi ukuran kepentingan peubah tersebut. Penentuan kepentingan peubah ini dilakukan pada enam peubah yang berpengaruh nyata pada model dengan 11 peubah, yaitu umur nelayan, pengalaman nelayan, pendapatan nelayan, aktivitas mencari informasi, persepsi nelayan, dan dukungan kelompok nelayan (Lampiran 2). Pada Lampiran 6 dan 7 dapat dilihat bahwa nilai kontribusi penambahan peubah persepsi nelayan (X6) lebih besar dari pada nilai kontribusi penambahan peubah pendapatan nelayan (X4), aktivitas mencari informasi (X5), dan dukungan kelompok nelayan (X9) di semua kemungkinan model, atau dengan kata lain peubah persepsi nelayan mendominasi ketiga peubah lainnya secara menyeluruh (complete dominance). Selanjutnya dapat dilihat bahwa nilai rata-rata kontribusi penambahan peubah X9 di setiap kondisi jumlah peubah yang masuk ke dalam model ( ̅ ) lebih besar dibandingkan peubah X4, hal ini berarti peubah dukungan kelompok nelayan (X9) mendominasi peubah pendapatan nelayan (X4) secara kondisional (conditional dominance). Pada Tabel 2 dapat dilihat rata-rata besar kontribusi penambahan setiap peubah di semua kemungkinan model ( ). Peubah persepsi nelayan (X6) memiliki rata-rata kontribusi penambahan terbesar yaitu sebesar 0.1118, sehingga dapat disimpulkan bahwa secara umum peubah persepsi nelayan memiliki kepentingan paling dominan dibanding dengan peubah lainnya. Dengan kata lain peubah persepsi nelayan (X6) menduduki peringkat pertama dalam kepentingan peubah disusul peubah umur nelayan (X1), dukungan kelompok nelayan (X9), pengalaman nelayan (X3), aktivitas mencari informasi (X5) dan pendapatan nelayan (X4).
8
Tabel 2 Dominance analysis menggunakan ukuran kecocokan model ka X1 X3 X4 X5 X6 X9 0 0.1350 0.0964 0.0427 0.0270 0.1106 0.0941 1 0.1168 0.0921 0.0461 0.0346 0.1098 0.0861 2 0.0963 0.0828 0.0472 0.0437 0.1085 0.0793 3 0.0755 0.0712 0.0474 0.0571 0.1094 0.0763 4 0.0540 0.0571 0.0465 0.0747 0.1133 0.0778 5 0.0297 0.0379 0.0437 0.0942 0.1190 0.0823 Rata-rata 0.0846 0.0729 0.0456 0.0552 0.1118 0.0826 kontribusi ( ) a
k = Jumlah peubah dalam model sebelum penambahan peubah Xi
Tabel 3 Perbandingan hasil pemeringkatan kepentingan peubah pada 3 metode berbeda Ukuran Kepentingan (Peringkat) Peubah p-value of Wald a Std (Beta) b DA c Umur nelayan (X1) 0.0559 (6) 0.9560 (5) 0.0846 (2) Pengalaman nelayan 0.0277 (5) 1.0157 (4) 0.0729 (4) (X3) Pendapatan nelayan 0.0221 (4) 0.7996 (6) 0.0456 (6) (X4) Aktivitas mencari 0.0015 (2) 1.1765 (3) 0.0552 (5) informasi (X5) Persepsi nelayan (X6) 0.0008 (1) 1.2570 (1) 0.1118 (1) Dukungan kelompok 0.0070 (3) 1.2375 (2) 0.0826 (3) nelayan (X9) a p-value of Wald: nilai signifikan peubah pada uji model secara parsial.; b Std (Beta): nilai koefisien regresi terbakukan.; c DA: Dominance Analysis. Tabel 3 di atas menampilkan perbandingan hasil pemeringkatan kepentingan peubah dengan beberapa metode. Meskipun peubah persepsi nelayan (X6) menduduki peringkat pertama di ketiga metode, namun pemeringkatan peubahpeubah yang lain menghasilkan hal yang berbeda-beda. Untuk menganalisis konsistensi dari hasil pemeringkatan peubah menggunakan dominance analysis maka dilakukan prosedur bootstrap pada data sampel. Berdasarkan hasil prosedur bootstrap pada Tabel 4 dapat dilihat bahwa penaksiran pemeringkatan peubah bersadarkan data sampel menghasilkan nilai bias yang relatif kecil. Ini berarti hasil pemeringkatan peubah berdasarkan data sampel cukup konsisten pada parameter.
9 Tabel 4 Hasil analisis konsistensi pemeringkatan kepentingan peubah dengan 1000 sampel bootstrap SK Sampel Bootstrap ReproduBias Persentil Dij estimate estimate cibility 95% (-0.0970, 0.0116 0.0150 0.0034 1 0.613 0.1254) (-0.0698, 0.0390 0.0412 0.0022 1 0.755 0.1675) (-0.0968, 0.0294 0.0327 0.0033 1 0.710 0.1551) (-0.1710, -0.0272 -0.0278 0.0006 -1 0.665 0.1129) (-0.0997, 0.0019 0.0073 0.0054 1 0.531 0.1263) (-0.0768, 0.0273 0.0262 0.0011 1 0.698 0.1341) (-0.0997, 0.0177 0.0176 0.0000 1 0.645 0.1286) (-0.1895, -0.0389 -0.0428 0.0039 -1 0.716 0.0898) (-0.1149, -0.0097 -0.0077 0.0020 -1 0.585 0.1117) (-0.1108, -0.0096 -0.0085 0.0011 -1 0.580 0.0981) (-0.2044, -0.0662 -0.0690 0.0028 -1 0.867 0.0610) (-0.1270, -0.0370 -0.0339 0.0031 -1 0.777 0.0629) (-0.1928, -0.0566 -0.0605 0.0039 -1 0.843 0.0565) (-0.1209, -0.0274 -0.0254 0.0020 -1 0.718 0.0793) (-0.0897, 0.0291 0.0351 0.0060 1 0.706 0.1734) Nilai adalah selisih antara rata-rata kontribusi penambahan peubah Xi dengan rata-rata kontribusi penambahan peubah Xj. Berdasarkan Tabel 4 dapat diketahui bahwa nilai mutlak adalah yang terbesar yaitu 0.0662, sedangkan nilai mutlak sebesar 0.0019 adalah yang terkecil. Hal ini berarti bahwa dominasi antara peubah pendapatan nelayan (X4) dengan peubah persepsi nelayan (X6) adalah yang paling jelas dari pada dominasi antara pasangan peubah yang lain, sedangkan dominasi antara peubah umur nelayan (X1) dengan peubah dukungan kelompok nelayan (X9) adalah dominasi yang paling diragukan. Kemudian berdasarkan selang kepercayaan persentil 95% dapat dilihat bahwa semua ukuran dominasi pada semua pasangan peubah memiliki peluang untuk bernilai 0. Meskipun pada selang kepercayaan semua ukuran dominasi mengandung nilai 0, nilai dominasi rata-rata pada sampel bootstrap telah mampu
10 menjelaskan bahwa ada perbedaan tingkat kepentingan di antara peubah-peubah tersebut. Nilai reproducibility pada Tabel 4 menunjukkan keterulangan dominasi setiap pasangan peubah. Nilai reproducibility dari ukuran dominasi kualitatif D46 sebesar 0.867 menunjukkan bahwa dari 1000 kali penarikan sampel bootstrap sebanyak 867 kali menghasilkan nilai -1 yang berarti peubah persepsi nelayan (X6) memiliki tingkat kepentingan yang lebih tinggi dari pada peubah pendapatan nelayan (X4). Kemudian juga dapat dilihat nillai reproducibility dari , , , , , , , dan cukup tinggi yaitu >70%. Hal ini berarti kedelapan nilai dominasi ini sangat konsisten pada parameter. Nilai yang kurang dari 60% menunjukkan ketiga nilai reproducibility , , dan dominasi tersebut sangat tidak konsisten pada parameter. Hasil analisis konsistensi yang menunjukkan adanya beberapa nilai dominasi yang tidak konsisten, mengindikasikan bahwa ada peubah-peubah yang tingkat kepentingannya tidak berbeda nyata satu sama lain. Untuk itu perlu dilakukan pengelompokan peubah-peubah berdasarkan tingkat kepentingannya. Pengelompokan peubah menggunakan metode average linkage dengan nilai reproducibility sebagai ukuran ketakmiripan dapat dilihat pada dendogram di Lampiran 8, menghasilkan tiga kelompok peubah berdasarkan tingkat kepentingannya. Kelompok pertama berisi peubah dengan tingkat kepentingan yang paling tinggi yaitu persepsi nelayan (X6), kelompok kedua berisi tiga peubah yaitu umur nelayan (X1), pengalaman nelayan (X3), dan dukungan kelompok nelayan (X9), dan kelompok ketiga berisi dua peubah yang memiliki tingkat kepentingan paling rendah yaitu peubah pendapatan nelayan (X4) dan aktivitas mencari informasi (X5).
SIMPULAN Faktor-faktor yang berpengaruh signifikan terhadap tingkat adopsi teknologi nelayan pada enam kecamatan di kabupaten Aceh Jaya dengan taraf nyata 5% adalah umur nelayan, pengalaman nelayan, pendapatan nelayan, aktivitas mencari informasi, persepsi nelayan terhadap pentingnya penerapan teknologi dalam penangkapan ikan, dan dukungan kelompok nelayan. Model regresi logistik biner yang diperoleh adalah ̂ -19.420 + 0.137X1 + 0.176X3 + 0.105X4 + 0.985X5 + 1.682X6 + 1.271X9. Semakin tinggi umur dan pengalaman nelayan, semakin besar pendapatan nelayan, semakin banyak aktivitas mencari informasi, semakin positif persepsi nelayan terhadap penerapan teknologi penangkapan ikan, dan semakin tinggi tingkat dukungan kelompok nelayan akan meningkatkan kecenderungan nelayan untuk memiliki tingkat adopsi teknologi tinggi. Pemeringkatan peubah menggunakan dominance analysis menghasilkan tiga kelompok peubah berdasarkan pada tingkat kepentingannya. Kelompok pertama berisi peubah dengan tingkat kepentingan yang paling tinggi yaitu persepsi nelayan (X6), kelompok kedua berisi tiga peubah yaitu umur nelayan (X1), pengalaman nelayan (X3), dan dukungan kelompok nelayan (X9), dan kelompok ketiga berisi dua peubah yang memiliki tingkat kepentingan paling rendah yaitu peubah pendapatan nelayan (X4) dan aktivitas mencari informasi (X5).
11
DAFTAR PUSTAKA Azen R, Traxel N. 2009. Using Dominance Analysis to Determine Predictor Importance in Logistic Regression [jurnal]. Journal of Educational and Behavioral Statistics. 34:319-347.doi: 10.3102/1076998609332754 Agresti A. 2002. Categorical Data Analysis. Ed ke-2. New Jersey (US): John Wiley and Sons, Inc. Hosmer DW, Lemeshow S. 2000. Applied Logistic Regression. Ed ke-2. New York (US): John Wiley and Sons, Inc. Thompson D. 2009. Ranking Predictors in Logistic Regression. MWSUG 2009 Conference Proceedings [Internet]. 2009 okt 11-13; Cleveland, Amerika Serikat. Cleveland (US): MWSUG. Hlm 1-13; [diunduh 2013 Okt 13]. Tersedia pada: http://www.mwsug.org/proceedings/2009/stats/MWSUG2009-D10 .pdf Mooney CZ, Duval RD. 1993. Bootstrapping: A Nonparametric Approach to Statistical Inference. Newbury Park (US): Sage Publications, Inc. Mattjik AA, Sumertajaya IM. 2011. Sidik Peubah Ganda dengan Menggunakan SAS. Bogor (ID): IPB Press [BPS] Badan Pusat Statistik. 2012. Aceh Jaya Dalam Angka 2012. Calang (ID): BPS Kabupaten Aceh Jaya
12 Lampiran 1 Peubah yang digunakan Peubah Respon
Tingkat adopsi teknologi (Y) Umur nelayan (X1) Tingkat pendidikan (X2)
Faktor Internal
Pengalaman nelayan (X3) Pendapatan nelayan (X4) Aktivitas mencari informasi (X5) Persepsi nelayan (X6)
Keberanian mengambil resiko (X7)
Dukungan penyuluhan perikanan (X8)
Faktor Eksternal
Dukungan kelompok nelayan(X9)
Dukungan kelembagaan panglima laot (X10)
Dukungan pemerintah daerah (X11)
Keterangan Tinggi Rendah Numerik (tahun) SD SMP SMA Perguruan Tinggi Numerik (tahun) Numerik (ratus ribu) Numerik (jumlah/bulan) Sangat tidak setuju Tidak setuju Ragu-ragu Setuju Sangat setuju Tidak berani 1 kali 2 kali 3 kali Rendah Sedang Tinggi Sangat rendah Rendah Sedang Tinggi Sangat tinggi Sangat rendah Rendah Sedang Tinggi Sangat tinggi Rendah Sedang Tinggi
13
Lampiran 2 Analisis regresi logistik biner dengan 11 peubah penjelas Peubah Umur nelayan (X1) Tingkat pendidikan formal (X2) Pengalaman nelayan (X3) Pendapatan nelayan (X4) Aktivitas mencari informasi (X5) Persepsi nelayan (X6) Keberanian mengambil resiko (X7) Dukungan penyuluhan perikanan (X8) Dukungan kelompok nelayan (X9) Dukungan kelembagaan panglima laot (X10) Dukungan pemerintah daerah (X11) Constant
̂
̂
0.153
0.076
Wald 4.077
Nilai - p 0.043*
0.619
0.474
1.707
0.191
0.209 0.106
0.089 0.052
5.586 4.138
0.018* 0.042*
1.205
0.369
10.656
0.001*
1.806
0.543
11.045
0.001*
-0.722
0.395
3.351
0.067
-0.038
0.777
0.002
0.961
1.539
0.543
8.042
0.005*
-0.046
0.572
0.006
0.936
0.192
0.710
0.073
0.787
-21.567 5.238 16.955 Log-Likelihood = -35.620 Uji G = 67.962; Nilai-p= 0.000 *Peubah yang signifikan pada taraf nyata 5%
0.000
Lampiran 3 Hasil pemodelan dengan enam peubah penjelas.
̂
Peubah Umur nelayan (X1) Pengalaman nelayan (X3) Pendapatan nelayan (X4) Aktivitas mencari informasi (X5) Persepsi nelayan (X6) Dukungan kelompok nelayan (X9) Constant
Dugaan Rasio Odds
Sk 95% Lower
Upper
0.137 0.176 0.105
1.147 1.192 1.111
0.997 1.019 1.015
1.320 1.394 1.215
0.985
2.676
1.455
4.923
1.682
5.376
2.020
14.309
1.271
3.564
1.415
8.976
-
-
-19.420 Log-Likelihood = -38.091 Uji G = 63.020; Nilai-p= 0.000
14 Lampiran 4 Nilai sensitivitas dan spesifisitas di berbagai kemungkinan cut point Cut point 0.438 0.443 0.448 0.465 0.484 0.487 0.498 0.510 0.520 0.543 0.564 0.586 0.607 0.626 0.639 0.641 0.649 0.662 0.687 0.720 0.736 0.746 0.758 0.764 0.771 0.779 0.794
Sensitivitas 0.940 0.940 0.929 0.917 0.917 0.905 0.893 0.893 0.893 0.881 0.869 0.857 0.857 0.845 0.845 0.845 0.845 0.833 0.821 0.810 0.810 0.798 0.786 0.786 0.786 0.786 0.774
spesifisitas 0.606 0.636 0.636 0.636 0.667 0.667 0.667 0.697 0.727 0.727 0.727 0.727 0.758 0.758 0.788 0.818 0.848 0.848 0.848 0.848 0.879 0.879 0.879 0.909 0.939 0.970 0.970
15 Lampiran 5 Plot sensitivitas dan spesifisitas dengan berbagai kemungkinan cut point
16 Lampiran 6 Hasil dominance analysis Subset Model
X1
Kontribusi Penambahan X3 X4 X5 X6
X9
-
0.0000 0.1350 0.0964 0.0427 0.0270 0.1106 0.0941
X1
0.1350
X3
0.0941 0.0441
X4
0.0964 0.1681 0.1168
X5
0.0427 0.1431 0.1057 0.0430
X6
0.0270 0.1262 0.1284 0.0247 0.0308
X9
0.1106 0.1028 0.1041 0.0240 0.0434 0.0977
-
0.0055 0.0757 0.0351 0.1018 0.0618 -
0.0630 0.0362 0.1426 0.1017 -
0.0273 0.0926 0.0754 -
0.1145 0.1105 -
0.0811 -
X1X3
0.1969
-
-
0.0780 0.0373 0.1179 0.0729
X1X4
0.1406
-
0.0078
X1X5
0.2108
-
0.0078 0.0866
X1X6
0.1701
-
0.0217 0.0502 0.0430
X1X9
0.2368
-
0.0166 0.0524 0.0536 0.0982
X3X4
0.1982 0.0591
-
-
X3X5
0.1181 0.0452
-
0.0653
X3X6
0.1375 0.0195
-
0.0386 0.0413
X3X9
0.1918 0.0153
-
0.0400 0.0501 0.1278
X4X5
0.1595 0.1867 0.1280
-
-
X4X6
0.1326 0.1516 0.1424
-
0.0319
X4X9
0.2390 0.1312 0.1201
-
0.0429 0.0852
X5X6
0.0700 0.1383 0.1389 0.0258
-
-
0.1024
X5X9
0.1353 0.1130 0.1108 0.0235
-
0.1064
-
X6X9
0.1415 0.1032 0.1342 0.0115 0.0521
-
-
-
0.0460 0.0762 0.0385 -
0.1097 0.0804 -
0.0582 -
0.0385 0.1182 0.0787 -
0.1477 0.1156 -
0.0869 -
0.0973 0.0910 -
0.0680 -
X1X3X4
0.2134
-
-
-
0.0475 0.0900 0.0475
X1X3X5
0.2493
-
-
0.0883
X1X3X6
0.2505
-
-
0.0501 0.0461
X1X3X9
0.2950
-
-
0.0527 0.0551 0.1176
X1X4X5
0.2186
-
0.0094
-
-
X1X4X6
0.1778
-
0.0216
-
0.0587
X1X4X9
0.2585
-
0.0168
-
0.0656 0.0760
X1X5X6
0.2567
-
0.0248 0.0659
-
-
0.0882
X1X5X9
0.2870
-
0.0181 0.0644
-
0.1176
-
X1X6X9
0.2798
-
0.0360 0.0302 0.0730
-
-
-
0.1268 0.0907 -
0.0725 -
0.0890 0.0581 -
0.0383 -
17 X3X4X5
0.2382 0.0682
-
-
-
X3X4X6
0.2483 0.0309
-
-
0.0475
X3X4X9
0.3259 0.0279
-
-
0.0556 0.1083
X3X5X6
0.1610 0.0243
-
0.0448
-
-
0.1153
X3X5X9
0.2033 0.0203
-
0.0455
-
0.1473
-
X3X6X9
0.2439 0.0051
-
0.0205 0.0697
-
-
X4X5X6
0.1979 0.1785 0.1579
-
-
-
0.0882
X4X5X9
0.2777 0.1539 0.1328
-
-
0.0944
-
X4X6X9
0.2803 0.1219 0.1431
-
0.0521
-
-
X5X6X9
0.1673 0.1241 0.1517 0.0115
-
-
-
X1X3X4X5
0.2661
-
-
-
-
X1X3X4X6
0.2686
-
-
-
0.0619
X1X3X4X9
0.3310
-
-
-
0.0676 0.0924
X1X3X5X6
0.3149
-
-
0.0658
-
-
0.1044
X1X3X5X9
0.3253
-
-
0.0652
-
0.1405
-
X1X3X6X9
0.3680
-
-
0.0275 0.0780
-
-
X1X4X5X6
0.2661
-
0.0248
-
-
-
0.0692
X1X4X5X9
0.3086
-
0.0189
-
-
0.1000
-
X1X4X6X9
0.3046
-
0.0333
-
00896
-
-
X1X5X6X9
0.3457
-
0.0410 0.0469
-
-
-
X3X4X5X6
0.2938 0.0453
-
-
-
-
0.0978
X3X4X5X9
0.3464 0.0400
-
-
-
0.1292
-
X3X4X6X9
0.3956 0.0121
-
-
0.0766
-
-
X3X5X6X9
0.2554 0.0134
-
0.0274
-
-
-
X4X5X6X9 X1X3X4X5X6 X1X3X4X5X9 X1X3X4X6X9 X1X3X5X6X9 X1X4X5X6X9 X3X4X5X6X9 X1X3X4X5X6X9
0.1273 0.0958 -
0.0687 -
0.1044 0.0676 -
0.0499 -
0.3252 0.1594 0.1676 0.3337 0.0823 0.3585 0.1190 0.4091 0.0942 0.4149 0.0437 0.3705 0.0379 0.4230 0.0297 0.4527 -
18 Lampiran 7 Hasil analisis konsistensi untuk nilai complete dominance dan conditional dominance dengan 1000 sampel bootstrap Complete domiance
Conditional dominance
Dij
Reproducibility
Dij
Reproducibility
0.125
0.609
0.3333
0.352
0
0.777
0.6667
0.512
0.25
0.888
0.3333
0.825
0
0.841
-0.3333
0.511
0
0.905
0
0.586
0.125
0.954
0.6667
0.442
0
0.860
0.3333
0.696
-0.25
0.683
-1
0.560
-0.125
0.839
0
0.412
-0.25
0.697
0
0.475
-1
0.590
-1
0.796
-0.625
0.641
-1
0.670
-1
0.549
-1
0.653
-0.5
0.616
-0.6667
0.464
1
0.451
1
0.566
19 Lampiran 8 Dendogram pengelompokan peubah menggunakan metode average linkage
Lampiran 9 Peta Kabupaten Aceh Jaya
Aceh Jaya
20
RIWAYAT HIDUP Penulis lahir di Banda Aceh, Provinsi Aceh, tanggal 9 November 1990. Penulis adalah anak kedua dari tiga bersaudara dari pasangan Anwar Syama’un (ayah) dan Ruaida A. Majid (ibu). Penulis menyelesaikan pendidikan dari sekolah dasar hingga sekolah menengah atas di Banda aceh. Pendidikan sekolah dasar diselesaikan tahun 2002 di SD Negeri 82 Banda Aceh. Pendidikan sekolah menengah pertama diselesaikan di Mts Negeri 1 Banda Aceh pada tahun 2005. Sekolah menengah atas diselesaikan pada tahun 2008 di SMA Negeri 10 Fajar Harapan. Setelah lulus SMA, penulis melanjutkan pendidikan sarjana ke Institut Pertanian Bogor (IPB) di Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam melalui jalur USMI (Undangan Seleksi Masuk IPB) pada tahun 2008. Selama menuntut ilmu di Institut Pertanian Bogor (IPB), penulis mengikuti beberapa kegiatan di luar perkuliahan yang terdapat di kampus. Selain itu penulis juga aktif dalam organisasi mahasiswa daerah (OMDA) IMTR Aceh dan pernah menjadi ketua Divisi Informasi dan Komunikasi pada kepengurusan tahun 2010/2011.
