Kenyataan saat ini masyarakat sudah mempunyai kepedulian yang cukup tinggi terhadap upaya peningkatan sumber daya manusia. Variabel-variabel pendidikan yang digunakan antara lain : 1. Persentase guru Taman Kanak-kanak (TK) Persentase guru TK adalah perbandingan antara jumlah guru Taman Kanak-kanak terhadap jumlah murid Taman Kanak-kanak. 2. Persentase guru Sekolah Dasar (SD) Persentase guru SD adalah perbandingan antara jumlah guru SD terhadap jumlah murid SD. 3. Persentase guru Sekolah Lanjutan Tingkat Pertama (SLTP) Persentase guru SLTP adalah perbandingan antara banyaknya guru SLTP terhadap banyaknya murid SLTP. 4. Persentase guru Sekolah Menengah Kejuruan (SMK) Persentase guru SMK adalah perbandingan antara banyaknya guru SMK terhadap banyaknya murid SMK
METODOLOGI PENELITIAN Sumber Data Data yang diperoleh merupakan data sekunder yang meneliti tentang kependudukan, kesehatan dan pendidikan yang diperoleh dari Badan Pusat Statistik (BPS) pada tahun 2004 wilayah Kodya Surabaya.
Unit Pengamatan Yang ingin diteliti dalam penelitian tugas akhir ini adalah meliputi 30 kecamatan di Kodya Surabaya.
Variabel Penelitian X1= persentase kelahiran penduduk per Kecamatan X2= persentase kematian penduduk per Kecamatan X3= persentase penduduk pendatang per kecamatan
X4= persentase perpindahan penduduk per Kecamatan X5= persentase akseptor baru X6= persentase peserta KB aktif X7= persentase tenaga medis X8= persentase klinik KB X9= persentase guru TK X10= persentase guru SD X11= persentase guru SLTP X12= persentase guru SMK Metode Pengolahan Data Adapun langkah- langkah pengolahan data yang dilakukan adalah sebagai berikut : 1. Mereduksi variabel penelitian dengan analisis komponen utama agar tidak terjadi kasus multikolinieritas antar variabel.
2. Mengelompokkan Kecamatan di Surabaya menjadi dua kelompok berdasarkan kedekatan jarak antar variabel baru yang didapatkan dari analisis komponen utama. 3. Melakukan analisa data dengan metode klasifikasi pohon (software CART 4.0), pada analisa ini data juga dibagi menjadi data learning dan data testing. Berikut adalah langkah-langkah analisa data dengan metode klasifikasi pohon: – Melakukan pembentukan pohon klasifikasi dengan menggunakan data learning. – Menentukan model pohon klasifikasi terbaik (optimal) berdasarkan ukuran cost complexity minimum. – Menginterpretasi model pohon klasifikasi optimal yang diperoleh.
– Menghitung ketepatan model pohon klasifikasi dari data learning dan data testing dengan cara memasukkan variabel-variabel per Kecamatan kedalam simpul-simpul yang kategorinya sesuai, dimulai dari simpul utama sampai dengan simpul terminal, dari simpul terminal ini dapat dilihat prediksi dari tinggi rendahnya potensi suatu kecamatan di Surabaya. Setelah didapatkan prediksi tinggi rendahnya potensi suatu kecamatan di Surabaya, kemudian dibandingkan antara pengamatan dengan prediksi, dari sini akan diketahui berapa data yang tepat dalam pengklasifikasiannya dan berapa data yang tidak tepat pengklasifikasiannya.
ANALISA DAN PEMBAHASAN Analisis Komponen Utama Sebelum melakukan analisis komponen utama terlebih dahulu perlu dilakukan pengujian apakah matrik korelasi merupakan matrik identitas atau bukan. Pengujian ini dilakukan dengan metode Bartlett Test of Spherecity dengan pendekatan distribusi Chi Square ( Santoso, 2002). Hipotesis H0 : ρ = I (matrik korelasi merupakan matrik identitas) H1 : ρ ≠ I ( matrik korelasi bukan merupakan matrik identitas) Statistik uji : χ 2 = 97.228
Berdasarkan nilai χ sebesar 97.228 dengan pvalue 0.007 maka tolak H0 artinya matriks korelasi antar variabel bukan merupakan matriks identitas, sehingga dapat dilanjutkan dengan analisis selanjutnya. 2
Total keragaman dapat diterangkan semaksimal mungkin oleh komponen utama yang terbentuk. Pemilihan komponen utama didasarkan pada akar ciri (eigenvalue) yang nilainya lebih besar dari satu. Tabel berikut adalah hasil komponen utama :
Tabel 2 Hasil Komponen Utama Terpilih dan Proporsi Keragaman Komponen Utama Komponen Utama Terpilih
Akar Ciri (Eigenvalue)
Proporsi Keragaman (%)
Proporsi Keragaman Kumulatif (%)
1 2 3 4 5 6
2.8983 1.9736 1.4264 1.2484 1.0223 1.0068
24.2 16.4 11.9 10.4 8.5 8.4
24.2 40.6 52.5 62.9 71.4 79.8
Analisis Kelompok Metode yang digunakan dalam analisis ini adalah metode pengelompokkan tak hirarki (non hierarchical method) dengan penentuan jumlah kelompok yaitu 2 kelompok, dimana kecamatan di Surabaya akan dibedakan menjadi daerah dengan tingkat kependudukan, kesehatan dan pendidikan tinggi serta dengan tingkat kependudukan, kesehatan dan pendidikan rendah. Dengan pengelompokkan secara tak berhirarki maka daerah yang memiliki sifat hampir sama akan membentuk dalam satu kelompok. Berdasarkan hasil analisis K_Means diperoleh kelompok kecamatan sebagai berikut :
Kelompok pertama terdiri dari 15 kecamatan yaitu Simokerto, Pabean Cantikan, Semampir, Kenjeran, Tambaksari, Tenggilis Mejoyo, Gunung Anyar, Sukolilo, Rungkut, Mulyorejo, Dukuh Pakis, Karangpilang, Asemrowo, Pakal, Sambikerep. Kelompok kedua terdiri dari 15 kecamatan yaitu Tegalsari, Genteng, Bubutan, Krembangan, Bulak, Gubeng, Sawahan, Wonokromo, Wiyung, Wonocolo, Gayungan, Jambangan, Tandes, Sukomanunggal, Lakarsantri.
Klasifikasi Pohon Pada analisis klasifikasi pohon terdapat dua jenis data yaitu data learning dan data testing. Kedua data ini dipeoleh secara random dimana data learning yang digunakan sebanyak 75% yaitu 23 data yang terdiri dari 10 pengamatan dengan kategori daerah berpotensi rendah dan 13 pengamatan dengan kategori daerah berpotensi tinggi. Sedangkan untuk data testing digunakan sebanyak 25% yaitu 7 data yang terdiri dari 5 pengamatan dengan kategori daerah berpotensi rendah dan 2 pengamatan dengan kategori daerah berpotensi tinggi.
Berikut adalah plot yang menunjukkan antara relative cost dengan banyaknya simpul terminal.
Gambar 1. Plot Relative Error dengan jumlah simpul terminal
Topology berikut ini adalah gambaran dari struktur pohon optimal pada kasus potensi Kecamatan di Surabaya.
Gambar 2. Topology Pohon Klasifikasi Berdasarkan gambar 2, dapat diketahui bahwa pohon klasifikasi yang terbentuk mempunyai kedalaman 2. Kedalaman 1 terletak pada simpul paling atas yaitu simpul utama dan kedalaman 2 terletak dibawah simpul utama yang juga disebut sebagai simpul terminal karena terletak pada simpul terakhir.
Berikut adalah gambar pohon klasifikasi optimal dengan keterangan variabel pemilahnya. Node 1 X2 N = 23 Terminal Node 1 N = 13
Terminal Node 2 N = 10
Gambar 3. Pohon Klasifikasi Simpul utama dipilah oleh variabel x yaitu persentase kematian per Kecamatan, hal ini menunjukkan bahwa variabel tersebut memiliki peran yang sangat penting (dominan) terhadap tinggi rendahnya potensi suatu Kecamatan di Surabaya. Simpul utama terdiri dari 23 pengamatan yang kemudian dipilah menjadi simpul kiri dan simpul kanan. Sebanyak 13 pengamatan dipilah ke simpul kiri dan 10 pengamatan dipilah ke simpul kanan.
Berikut ini adalah hasil ketepatan model pohon klasifikasi menggunakan data learning : Tabel 3. Ketepatan Klasifikasi untuk Data Learning Prediksi Pengamatan
Y Potensi rendah
Potensi tinggi
Prosentase koreksi (%)
Potensi rendah
11
0
100
Potensi tinggi
2
10
83.3
Prosentase total
91.3
Berikut ini adalah hasil ketepatan model pohon klasifikasi menggunakan data testing : Tabel 3. Ketepatan Klasifikasi untuk Data Testing Prediksi Pengamatan
Y Potensi rendah
Potensi tinggi
Prosentase koreksi (%)
Potensi rendah
3
1
75
Potensi tinggi
0
3
100
Prosentase total
85.7
Berikut ini adalah tabel tingkat keberartian suatu variabel Tabel 5. Skor Variabel Penting Variable
Score
X2
100.00 ||||||||||||||||||||||||||||||||||||||||||
X6
76.34
||||||||||||||||||||||||||||||||
X4
44.50
||||||||||||||||||
X12
33.68
|||||||||||||
X3
23.89
|||||||||
X7
19.61
|||||||
X1
0.00
X5
0.00
X9
0.00
X10
0.00
X11
0.00
X8
0.00
KESIMPULAN DAN SARAN Kesimpulan Berdasarkan hasil analisis data yang telah dilakukan, maka dapat diambil beberapa kesimpulan antara lain sebagai berikut : 1. Berdasarkan faktor yang mendukung variabel-variabel kependudukan, kesehatan dan pendidikan Kecamatn di Kota Surabaya terbagi menjadi dua kelompok yaitu : a. Kelompok pertama dikategorikan sebagai daerah berpotensi rendah terdiri dari 15 Kecamatan antara lain Kecamatan Simokerto, Kecamatan Pabean Cantikan, Kecamatan Semampir, Kecamatan Kenjeran, Kecamatan Tambaksari, Kecamatan Tenggilis Mejoyo, Kecamatan Gunung Anyar, Kecamatan Sukolilo, Kecamatan Rungkut, Kecamatan Mulyorejo, Kecamatan Dukuh Pakis, Kecamatan Karangpilang, Kecamatan Asemrowo, Kecamatan Pakal, Kecamatan Sambikerep.
b. Kelompok
kedua dikategorikan sebagai daerah berpotensi tinggi terdiri dari 15 Kecamatan antara lain Kecamatan Tegalsari, Kecamatan Genteng, Kecamatan Bubutan, Kecamatan Krembangan, Kecamatan Bulak, Kecamatan Gubeng, Kecamatan Sawahan, Kecamatan Wonokromo, Kecamatan Wiyung, Kecamatan Wonocolo, Kecamatan Gayungan, Kecamatan Jambangan, Kecamatan Tandes, Kecamatan Sukomanunggal, Kecamatan Lakarsantri.
2.
Dengan metode klasifikasi pohon diketahui variabel yang paling berpengaruh terhadap tinggi rendahnya potensi Kecamatan di Kota Surabaya adalah variabel x yaitu persentase kematian per Kecamatan dengan ketepatan klasifikasi 91.3% untuk data learning dan untuk data testing diperoleh ketepatan klasifikasi sebesar 85.7%.
Saran 1. Diharapkan kepada para pengambil keputusan di kota Surabaya khususnya di tingkat kecamatan agar dapat lebih memperhatikan kecamatan-kecamatan yang potensinya daerahnya tergolong rendah sehingga dapat tercapai pembangunan yang merata seperti halnya pada kecamatankecamatan yang potensi daerahnya tergolong tinggi. 2. Berdasarkan kesimpulan diketahui bahwa faktor yang paling berpengaruh terhadap tinggi rendahnya potensi suatu kecamatan di Surabaya adalah persentase kematian per kecamatan oleh karena itu diperlukan perhatian secara khusus terhadap kecamatan yang persentase kematiannya tinggi sehingga persentase antara kematian dan kelahiran di suatu kecamatan dapat terkontrol secara seimbang. 3. Untuk penelitian selanjutnya, hendaknya melakukan dengan pendekatan metode lain agar dalam pengambilan keputusan dapat lebih baik lagi.
TERIMA KASIH
