Dokumen tersebut membahas analisis faktor-faktor yang mempengaruhi disparitas antara wilayah Pati Utara dan Pati Selatan di Kabupaten Pati, dengan menggunakan metode analisis faktor Principal Component Analysis terhadap berbagai variabel seperti geografis, pemerintahan, kependudukan, sosial, ekonomi, pertanian dan perdagangan."

1. Tugas Ujian Mata Kuliah
Metode Analisis Perencanaan dan Pembangunan (PWK 607)
Dosen Pengampu : Prof. Dr. Rer nat. Imam Buchori, ST.
ANALISIS FAKTOR- FAKTOR YANG MEMPENGARUHI DISPARITAS
WILAYAH PATI UTARA DAN WILAYAH PATI SELATAN
DI KABUPATEN PATI
Dikerjakan Oleh:
AGUS SUGIANTO
NIM : 21040116410046
BRAMANTIYO MARJUKI
NIM : 21040116410036
(Kelas Kementerian Pekerjaan Umun dan Perumahan Rakyat)
MAGISTER PEMBANGUNAN WILAYAH DAN KOTA
JURUSAN PERENCANAAN WILAYAH DAN KOTA - FAKULTAS TEKNIK
UNIVERSITAS DIPONEGORO
SEMARANG
2016

2. 1
I. PERMASALAHAN
Terbitnya UU no 13 tahun 1950 tentang Pembentukan Daerah - daerah
Kabupaten Dalam Lingkungan Provinsi Jawa Tengah menjadi dasar terbentuknya
Kabupaten Pati. Secara administratif Kabupaten Pati terdiri dari 21 kecamatan, 406
desa dan kelurahan dengan luas wilayah 150.368 Ha. Isu pemecahan atau
pembentukan Kabupaten Pati Selatan mengemuka pada tahun 2013 dan 2014.
Berkembangnya isu ini sebenarnya tidak terlepas dari disparitas wilayah yang terjadi di
Kabupaten Pati.
Dalam perkembangannya, terminologi wilayah Pati Utara dan wilayah Pati
Selatan belum banyak digunakan secara resmi dalam pembagian wilayah. Terminologi
yang digunakan biasanya mengacu kepada kesamaan kondisi baik itu geografis,
pertanian, sosial, transportasi, infrastruktur dan lain - lain. Pembagian tidak resmi dua
wilayah Kabupaten pati didasarkan pada posisi dari jalan nasional Pantai Utara Jawa
(Pantura) yang membelah Kabupaten Pati. Wilayah Pati sisi utara jalan yang dikenal
dengan Pati Utara terdiri dari 12 kecamatan dan wilayah sisi selatan jalan yang dikenal
dengan wilayah Pati Selatan terdiri dari 9 kecamatan.
Wilayah pati utara meliputi Kecamatan Margorejo, Kecamatan Pati, Kecamatan
Juwana, Kecamatan Gembong, Kecamatan Tlogowungu, Kecamatan Gunungwungkal,
Kecamatan Trangkil, Kecamatan Wedarijaksa, Kecamatan Margoyoso, Kecamatan
Tayu, Kecamatan Dukuhseti dan kecamatan Cluwak. Topografi Pati Utara berupa
lereng kaki Gunung Muria, dataran rendah dan kawasan pantai. Daerah pertaniannya
lebih subur di banding Pati Selatan. Wilayah ini berbatasan langsung dengan wilayah
dua kabupaten yaitu Kabupaten Kudus dan Kabupaten Jepara.
Wilayah pati selatan meliputi Kecamatan Batangan, Kecamatan Jaken,
Kecamatan Jakenan, Kecamatan Pucakwangi, Kecamatan Tambakromo, Kecamatan
Gabus, Kecamatan Kayen, Kecamatan Sukolilo dan Winong. Karakteristik topografisnya
merupakan daerah pesisir (di kecamatan Batangan) dan daerah perbukitan berbatuan
kapur. Jika dibandingkan pada waktu musim kemarau, wilayah pati selatan akan
cenderung lebih panas dan kering dibandingkan dengan pati utara yang lebih sejuk
dan subur. Wilayah ini berbatasan dengan dengan kabupaten Rembang, Kabupaten
Blora, Kabupaten Grobogan dan Kabupaten Kudus.

3. 2
Kesimpulan awal yang menjadi penyebab disparitas 2 (dua) wilayah ini adalah
terjadi kesenjangan pembangunan infrastruktur di Kabupaten Pati. Sejak tahun 2013
Pemerintah Kabupaten Pati menerapkan program “Noto Projo, Mbangun Desa” dalam
rangka mengatasi kesenjangan infrastruktur. Dana stimulan pembangunan
infrastruktur perdesaan digelontorkan ke semua desa. Hasil evaluasi pada tahun 2015
kondisi infrastruktur di 2 (dua) wilayah relatif setara. Namun demikian beberapa desa
di kedua wilayah masih mengalami kebingungan dalam penyerapannya. Contohnya
Desa Grogolsari (kecamatan Pucakwangi) wilayah Pati selatan dan desa Kedungsari
(Kecamatan Tayu) wilayah Pati utara.
Dalam kajian ini, akan di analisis hal- hal apa saja yang menjadi penyebab
disparitas 2 (dua) wilayah di Kabupaten Pati dengan menggunakan analisis faktor. Data
yang digunakan untuk analisis adalah data dalam terbitan Kecamatan dalam angka
tahun 2015 dan Pati dalam angka 2015. Variabel yang digunakan dalam kajian terdiri
dari:
1. Geografis, meliputi Jarak kota kecamatan terhadap Kota Pati sebagai pusat
pemerintahan dan Luas lahan sawah.
2. Pemerintahan, meliputi status desa yaitu desa swasembada.
3. Kependudukan, data kependudukan yang akan digunakan adalah jumlah
penduduk, usia produktif, jumlah kepala keluarga miskin dan jumlah penduduk
berprofesi sebagai petani.
4. Sosial akan dilihat dari jumlah fasilitas SMA & SMK dan jumlah fasilitas
kesehatan.
5. Ekonomi, yang akan dilihat dari data Pendapatan Asli Desa.
6. Pertanian, data yang digunakan adalah luas lahan panen.
7. Jasa dan Perdagangan, data yang digunakan jumlah pasar dan bank.
II. METODE
II.1 Analisis Faktor *).
Analisis faktor adalah teknik analisis dalam statistik yang digunakan untuk (1)
mengurangi variabel-variabel yang saling berkorelasi dari data dan menggantikannya
dengan variabel yang lebih sederhana sehingga lebih mudah diinterpretasi; dan (2)

4. 3
mengidentifikasi hubungan yang tersembunyi dari berbagai variabel yang dilibatkan
dalam analisis. Proses pengurangan variabel dilakukan dengan cara membuat
kombinasi linier dari variabel-variabel (disebut komponen atau faktor) yang
menyimpan sebanyak mungkin informasi dari variabel-variabel tersebut. Kemudian
proses dilanjutkan untuk memperoleh komponen kedua yang menyimpan informasi
yang tidak tertampung dari komponen pertama, dan seterusnya sampai semua
informasi dari variabel awal masuk dalam salah satu komponen. Jumlah komponen
akhir yang dihasilkan biasanya lebih sedikit dari jumlah variabel yang dilibatkan, oleh
karena itu analisis faktor dianggap merupakan metode terbaik untuk mengetahui
hubungan antar variabel tanpa harus menganalisis hubungan antar variabel secara
langsung satu demi satu.
II.2 Principal Component Analysis
Analisis faktor yang digunakan untuk memahami perbedaan kemajuan wilayah
antara Pati Utara dan Pati Selatan adalah analisis faktor menggunakan metode
Principal Component Analysis (PCA). PCA umumnya digunakan untuk
menyederhanakan dan mengidentifikasi sejumlah variabel yang saling berkorelasi,
sehingga lebih mudah dipahami dan diinterpretasi. PCA digunakan terutama apabila
analisis dilakukan menggunakan banyak variabel (dimensi) sehingga tidak
memungkinkan untuk ditampilkan dalam representasi grafis. Kelebihan utama PCA
dibanding metode lain adalah proses penyederhanaan variabel (dimensi) data
dilakukan tanpa mengurangi informasi awal yang tersimpan dalam setiap variabel.
II.3 Prosedur Analisis Faktor Principal Component Analysis.
Principal Component Analysis dilaksanakan melalui urutan tahapan yang
disajikan pada Gambar 1.
Gambar 1. Prosedur Analisis Faktor
Standarisasi Data Ekstraksi FaktorDeskripsi faktor
Rotasi FaktorSkor FaktorInterpretasi Komponen

5. 4
II.3.1 Standarisasi Data
Standarisasi data merupakan tahap awal dari analisis faktor. Data interval/rasio
yang menjadi masukan dalam analisis faktor mungkin mempunyai satuan dan rentang
nilai yang berbeda, yang berimpikasi pada perbedaan variansi. Agar perbedaan variansi
ini tidak berpengaruh terhadap hasil perhitungan, perlu dilakukan standarisasi nilai
dalam bentuk Zscore.
II.3.2 Deskripsi faktor
Deskripsi faktor dilakukan untuk mencari hubungan kolinier antar variabel
sebelum analisis faktor dilakukan. Diasumsikan setiap variabel di dalam dimensi yang
sama atau berbeda harus saling berkorelasi satu sama lain. Jika ada variabel yang tidak
berkorelasi dengan variabel lain, maka disarankan variabel tersebut tidak dilibatkan
dalam analisis faktor. Selain itu, terjadinya korelasi yang sangat tinggi atau korelasi
sempurna (singularitas) harus dihindari karena kontribusi antar faktor menjadi tidak
dapat ditentukan. Untuk mengidentifikasi tidak adanya korelasi atau korelasi yang
terlalu tinggi (R > 0,8), maka dalam tahap ini dibuat matriks korelasi yang hasilnya
dijadikan panduan untuk mengidentifikasi dua hal tersebut. Selain itu perlu juga
dipertimbangkan adanya multikolinieritas. Multikolinieritas secara umum tidak terlalu
berpengaruh pada analisis faktor, akan tetapi multikolinieritas yang tinggi antar
variabel sebisa mungkin harus dihindari. Multikolinieritas dapat dideteksi dengan
melihat nilai determinan dari hasil perhitungan matriks korelasi.
Nilai determinan merupakan representasi area sebaran sampel dalam diagram
pencar (scatterplot). Variabel yang memiliki korelasi tinggi (singular) akan membentuk
area plot yang hampir lurus sehingga tidak mempunyai lebar. Lebar ini
mengindikasikan nilai determinan sehingga nilainya adalah 0. Sementara jika variabel
tidak berkorelasi satu sama lain, maka akan membentuk area sebaran sampel yang
elips membulat sehingga dapat diketahui lebar areanya. Untuk variabel yang nilai
korelasinya mendekati 0 maka nilai determinannya akan mendekati 1.
Analisis faktor mensyaratkan setiap variabel memiliki variansi umum (common
variance) karena di dalam analisis faktor setiap variabel ingin diketahui kontribusi
variansinya terhadap variabel lain. Variansi umum ini disebut communality dan dapat

6. 5
dihitung dari matriks korelasi. Variabel yang hanya memiliki variansi umum akan
mempunyai nilai communality sebesar 1, sementara variabel yang hanya memiliki
variansi spesifik untuk variabel itu sendiri akan mempunyai nilai 0. Panduan umum
tentang communalities ini adalah setiap variabel dalam analisis faktor harus memiliki
nilai communality minimal 0,6. Jika ada variabel yang memiliki nilai di bawah itu, maka
variabel tersebut dianggap tidak layak dilibatkan dalam analisis. Proses pemilahan
variabel ini dilanjutkan sampai seluruh variabel yang dilibatkan memiliki nilai
communality minimal 0,6.
Selain itu pada tahap ini perlu dilakukan uji kelayakan jumlah sampel
menggunakan KMO Test dan Bartlett’s test of Sphericity. Jika nilai KMO lebih dari 0,5
maka sampel dianggap layak untuk diolah dalam analisis faktor. Nilai 0
mengindikasikan bahwa jumlah dari korelasi parsial relatif lebih besar daripada jumlah
korelasi. Hal ini mengindikasikan adanya difusi di dalam pola korelasi, sehingga analisis
faktor dianggap tidak layak. Nilai KMO yang mendekati 1 mengindikasikan pola korelasi
yang relatif kompak, sehingga analisis faktor akan memberikan hasil yang dapat
dipercaya. Secara umum panduan untuk mengukur kelayakan analisis faktor
berdasarkan Nilai KMO adalah sebagai berikut:
Tabel 1. Tingkat Kepercayaan KMO Test
Nilai KMO Tingkat Kepercayaan
0,5 – 0,7 Menengah
0,7 – 0,8 Baik
0,8 – 0,9 Baik Sekali
> 0,9 Sangat Baik
Pengujian hasil KMO secara individual per variabel dapat dilakukan dengan cara
mengamati Anti Image Matrix. Elemen diagonal (ditandai dengan huruf “a”) dari Anti
Image Matrix merupakan Nilai KMO per variabel, sehingga apabila ditemukan nilai
KMO yang tidak memuaskan, maka harus dilakukan pengamatan hasil Anti Image
Matrix. Nilai lajur diagonal pada Anti Image Matrix untuk setiap variabel harus sama
dengan atau lebih dari 0,5. Jika terdapat variabel dengan nilai kurang dari 0,5 maka
variabel tersebut harus dikeluarkan dari analisis. Pengeluaran variabel akan mengubah
hasil perhitungan KMO, sehingga inspeksi ulang nilai KMO dan Anti Image Matrix
mutlak dilakukan. Adapun Bartlett Test akan memberikan informasi signifikansi

7. 6
sampel, dimana jika nilainya kurang dari 0,05, maka analisis faktor akan dapat
memberikan hasil pengolahan data yang dapat dipercaya.
II.3.3 Ekstraksi Faktor
Pada tahap ini dilakukan proses ekstraksi faktor yang menghasilkan Nilai Eigen
yang digunakan untuk merotasi faktor. Pada tahap ini dapat dilakukan pengujian
antara menggunakan Nilai Eigen minimal yang direkomendasikan Kaiser, yaitu 1, atau
menggunakan Nilai Eigen yang ditentukan sendiri. Jika kedua uji memberikan jumlah
komponen (factors) yang sama, maka analisis dapat dilanjutkan. Namun jika tidak,
maka harus dilakukan observasi terhadap hasil Communalities untuk kemudian
ditentukan sendiri berapa Nilai Eigen minimal yang digunakan.
II.3.4 Rotasi Faktor
Rotasi faktor adalah proses transformasi sumbu yang memaksimalkan
pembacaan data setiap variabel pada salah satu faktor yang diekstraksi, sembari
meminimalkan pembacaan pada faktor yang lain. Rotasi dijalankan dengan cara
mengubah nilai absolut dari setiap variabel sambil mempertahankan nilai pembeda
setiap variabel tetap konstan. Pada tahap ini dapat dipilih metode rotasi yang akan
digunakan. Metode rotasi varimax, quartimax dan equimax merupakan rotasi
orthogonal, sedangkan oblimin dan promax merupakan rotasi oblique. Jika faktor yang
dihasilkan diperkirakan independen satu sama lain, maka rotasi yang digunakan adalah
rotasi orthogonal, sementara jika secara teori faktor yang dihasilkan memiliki
kemungkinan adanya korelasi, maka rotasi yang dipilih adalah rotasi oblique.
Tahap pengujian yang cukup penting dalam aspek rotasi faktor adalah perlu
adanya pemastian komponen yang dihasilkan tidak memiliki korelasi satu sama lain.
Untuk itu perlu dibuat Component Transformation Matrix yang ditujukan untuk
melihat korelasi antar komponen.
II.3.5 Skor Faktor
Skor faktor adalah nilai indeks dari hasil analisis faktor. Skor faktor atau sering
disebut sebagai factor loading berkisar antara -1 dan 1 yang menunjukkan derajat

8. 7
korelasi antar variabel di dalam satu kelompok faktor (komponen). Interpretasi skor
faktor pada dasarnya sama dengan interpretasi Korelasi Pearson, dimana nilai – 1
menunjukkan hubungan kuat berlawanan antar faktor di dalam komponen yang sama,
nilai 0 menunjukkan ketiadaan hubungan antar faktor di dalam komponen, dan nilai +1
menunjukkan hubungan kuat searah antar faktor di dalam komponen.
III. HASIL DAN PEMBAHASAN
III.1 Data Mentah
Berikut ini adalah data mentah dari publikasi Pati Dalam Angka Kecamatan
Tahun 2015 yang diterbitkan oleh Badan Pusat Statistik Kabupaten Pati. Sebagaimana
dijelaskan sebelumnya, hanya beberapa variabel yang dilibatkan karena tidak semua
variabel tersedia datanya untuk setiap kecamatan.
Tabel 1. Tabel Data Mentah dari Publikasi Pati Dalam Angka Tahun 2015 Per
Kecamatan
III.2 Hasil Pengolahan SPSS dan Interpretasi Hasil Pengolahan
III.2.1 Standarisasi Data
Hasil deskripsi statistik disajikan pada Tabel 2. Disini dapat dilihat adanya
perbedaan nilai variansi dan standar deviasi antar variabel, sehingga agar proses
analisis faktor dapat berjalan secara konsisten, maka data perlu distandarisasi dalam
bentuk zscore. Hasil zscore kemudian digunakan sebagai masukan dalam analisis
faktor. Dari hasil descriptive statistics juga dapat diketahui bahwa semua sampel yang
dilibatkan (N) valid dan tidak ada yang missing.

9. 8
Tabel 2. Statistik Deskriptif
III.2.2 Matriks Korelasi
Hasil matriks korelasi disajikan pada Tabel 3. Matriks korelasi merupakan tabel
matriks yang berisi hasil korelasi antar variabel yang dilibatkan dalam analisis. Matriks
ini menunjukkan variabel mana yang mempunyai korelasi satu sama lain. Hasil
kalkulasi determinan pada matriks menghasilkan nilai determinan sebesar 0,001, yang
mengindikasikan bahwa multikolinieritas bukan merupakan masalah untuk matriks ini,
sehingga analisis faktor dapat dilanjutkan.
Tabel 3. Hasil Matriks Korelasi
Hasil matriks korelasi diatas dapat diinterpretasikan sebagai berikut:
1. Hubungan Luas Lahan Sawah dengan Variabel yang lain.
Hubungan Luas Lahan Persawahan dengan jarak wilayah ke kota Pati
menunjukkan bahwa semakin dekat jarak wilayah yang memiliki luas lahan sawah
dengan kota pati akan membawa dampak positif. Namun hubungan ini tidak cukup
kuat yang terlihat dari angka sig 0,290>0,05. Adapun hubungan Luas Lahan

10. 9
Persawahan dengan Pasar menunjukkan semakin luas lahan sawah maka semakin
dekat dengan pasar, yang terlihat pada baris sig. (1- tailed) dimana korelasi antar
variabel tersebut memiliki p-value sebesar 0,003<0,05. Hubungan Luas Lahan
Persawahan dengan fasilitas seperti Stasiun Pengisian BBM, Bank, Fasilitas Pendidikan
dan Fasilitas Kesehatan menunjukkan di daerah yang banyak lahan persawahan juga
akan jarang di temui fasilitas. Terkait dengan aspek demografi, hubungan Luas Lahan
Persawahan dengan KK Miskin menunjukkan jika lahan persawahan cukup luas maka
yang bertempat tinggal di daerah itu terdapat banyak Keluarga miskinnya. Untuk
hubungan dengan Usia Produktif hubungannya juga tidak kuat, sehingga dapat
disimpulkan bahwa usia produktif tidak hanya tinggal di daerah pertanian saja.
Demikian pula hubungan Luas lahan persawahan dengan Desa Swasembada
menunjukkan status desa swasembada tidak berhubungan dengan keberadaan dan
luas lahan pertanian. Hubungan ini diperkuat dengan ditemukannya hubungan Luas
Lahan Persawahan dengan Pendapatan Asli Daerah (PAD), dimana semakin luas lahan
sawah ternyata kontribusinya terhadap PAD sangat kecil.
2. Hubungan Jarak dengan Kota Pati dengan Variabel yang lain.
Hubungan Jarak Dengan Kota Pati dengan Bank menunjukkan bahwa semakin
jauh dengan jarak kota pati, berbanding lurus dengan jumlah fasilitas yang ada. Berarti
semakin dekat dengan kota pati semakin banyak jumlah fasilitas. Dilihat dari aspek
demografi, hubungan Jarak Dengan Kota Pati dengan Kk Miskin berada pada zona
positif, walau tidak terlalu kuat. Hasil ini dapat diartikan bahwa semakin dekat jarak
wilayah kecamatan dengan Kota Pati penduduk / miskin semakin banyak walau
hubungannya nampak tidak signifikan. Demikian pula untuk aspek Usia Produktf
dimana hubungannya cukup kuat dan negatif yang berarti usia produktif banyak yang
tinggal di wilayah yang jauh dari Kota Pati. Terkait pendapatan daerah hubungan Jarak
Dengan Kota Pati dengan PAD menunjukkan bahwa wilayah yang jauh dengan kota
pati memiliki PAD yang kecil sedangkan semakin dekat dengan kota Pati memiliki PAD
yang lebih baik. Untuk hubungan Jarak Dengan Kota Pati dengan Jumlah Penduduk
Berprofesi Petani menunjukkan luas panen wilayah atau kecamatan yang dekat dengan
Kota Pati memiliki hubungan yang cukup kuat dan positif. Artinya jarak dengan kota
Pati memiliki peranan terhadap luasan lahan yang di panen.
3. Hubungan Bank dengan Variabel yang lain.
Hubungan Bank dengan Pasar menunjukkan Hubungan negatif lemah, artinya
jumlah Bank tidak tergantung jumlah pasar. Adapun hubungan Bank dengan aspek
demografi KK Miskin menunjukkan hubungan positif namun tidak cukup kuat. Artinya
mungkin ada sebagian Keluarga Miskin yang menggantungkan pada Bank untuk
mencari pinjaman. Hal ini selaras juga dengan hubungan Bank dan Kelompok Usia
Produktif dimana hubungannya positif, yang diartikan pengguna Bank adalah
kelompok Usia Produktif. Hubungan Bank dengan fasilitas penyediaan energy (BBM),

11. 10
kesehatan dan pendidikan menunjukkan hubungan positif. Artinya aktivitas di fasilitas
tersebut memerlukan keberadaan bank, baik untuk tabungan para pekerja dan pelajar
atau pencarian modal investasi. Hubungan Bank dengan PAD menunjukkan bank
punya pengaruh terhadap peningkatan PAD, walaupun tidak signifikan. Untuk
hubungan Bank dengan Jumlah Penduduk Berprofesi Petani menunjukkan hubungan
negatif dan signifikan, yang berarti keberadaan bank terletak jauh dari daerah
pertanian dan petani sendiri tidak terlalu tergantung pada bank. Terakhir hubungan
Bank dengan Desa Swasembada menunjukkan hubungan kuat dan positif yang berarti
Desa Swasembada sudah memiliki akses perbankan yang baik.
4. Hubungan Pasar dengan Variabel yang lain.
Hubungan Pasar dengan aspek demografi berupa variabel KK Miskin
menunjukkan hubungan kuat, positif dan signifikan. Hubungan ini mungkin
menunjukkan adanya ketergantungan keluarga miskin terhadap keberadaan pasar
sebagai sarana mencari barang, jasa dan pekerjaan, sebagaimana nampak juga dari
hubungan dengan variabel Usia Produktif yang ditermukan adanya korelasi, walaupun
tidak signifikan. Untuk hubungan Pasar dengan PAD diperoleh kesimpulan jumlah
pasar tidak terlalu berkontribusi pada PAD. Terkait hubungan Pasar dengan Jumlah
Penduduk Berprofesi Petani. Nilai ini menunjukkan hubungannya positif dan kuat,
dimana keberadaan pasar membantu petani untuk menjual hasil panen. Dan terakhir,
Hubungan Pasar dengan Desa Swasembada menunjukkan hubungannya negatif dan
tidak signikan.
5. Hubungan KK Miskin dengan Variabel yang lain.
Hubungan KK Miskin dengan PAD berada pada zona negatif dimana semakin
banyak KK miskin yang ada sumbangannya terhadap PAD kecil. Adapun hubungan KK
Miskin dengan Pengisian Stasiun BBM pada zona positif dan lemah dimana KK miskin
tidak banyak menggunakan atau mampu mengakses BBM akibat kemiskinannya.
Demikian pula hubungan KK Miskin dengan Fasilitas Kesehatan dan Pendidikan bera
pada zona positif kurang, dimana semua orang memerlukan fasilitas kesehatan dan
pendidikan, namun akses ke fasilitas tersebut lemah. Hubungan KK Miskin dengan
Jumlah Penduduk Berprofesi Petani positif kuat, yang menunjukkan bahwa keluarga
miskin sebagian besar berprofesi sebagai petani. Lebih lanjut, hubungan KK Miskin
dengan usia produktif menunjukkan bahwa keluarga miskin sebagian besar masih
berusia produktif. Terakhir, hubungan KK Miskin dengan Desa menunjukkan bahwa
keluarga miskin sebagian besar tinggal di perdesaan.
6. Hubungan PAD dengan Variabel yang lain.
Hubungan PAD dengan Stasiun Pengisian BBM menunjukkan hubungan positif
dan cukup kuat, dimana suatu wilayah yang memiliki PAD kuat akan menggunakan

12. 11
energi yang besar terutama BBM akibat aktifitas warganya. Adapun hubungan PAD
dengan Fasilitas Kesehatan berada pada zona positif namun kurang kuat, yang berarti
wilayah dengan PAD besar belum tentu sebaran fasilitas kesehatannya merata.
Hubungan PAD dengan SMA menunjukkan hubungan yang positif dimana wilayah
wilayah yang sebaran SMA SMKnya besar biasanya cukup maju dan berperan
mendongkrak nilai PAD. Hubungan PAD dengan Jumlah Penduduk Berprofesi Petani
menunjukkan hubungan negatif dan cukup kuat, Hasil ini mengindikasikan besaran
hasil pertanian yang dipanen kurang berkontribusi terhadap PAD. Hubungan PAD
dengan Usia Produktif berada pada zona positif tetapi tidak signifikan. Artinya, peran
usia produktif terhadap PAD ada, tapi kurang signifikan. Terakhir, hubungan PAD
dengan Desa Swasembada menunjukkan hubungannya positif walaupun tidak terlalu
kuat, yang artinya status desa swasembada tidak berperan pada jumlah PAD wilayah
tersebut.
7. Hubungan Stasiun Pengisian BBM dengan Variabel yang lain.
Hubungan Stasiun pengisian BBM dengan Fasilitas Kesehatan menunjukkan
bahwa banyaknya fasilitas kesehatan akan berdampak kepada penggunaan BBM
sehingga kebutuhan akan Stasiun Pengisian BBM juga besar. Demikian pula untuk
hubungan dengan fasilitas pendidikan juga besar. Hubungan Stasiun pengisian BBM
dengan Jumlah Penduduk Berprofesi Petani menunjukkan bahwa kebutuhan bahan
bakar para Petani tidak diimbangi dengan banyaknya Stasiun Pengisian BBM, padahal
dalam aktifitas penjualan hasil panen/ transpotasinya membutuhkan banyak BBM.
Hubungannya Kuat dan negatif. Hubungan Stasiun pengisian BBM dengan Usia
Produktif menunjukkan bahwa aktifitas orang pada usia produktif, seperti bekerja dan
sekolah membutuhkan energi yang banyak, maka adanya Stasiun Pengisian BBM akan
sangat membantu menjalankan aktifitas mereka, sehingga hubungannya kuat dan
positif. Hubungan Stasiun pengisian BBM dengan Status Desa Swasembada
menunjukkan bahwa aktifitas manusia dalam mewujudkan desa swasembada sangat
banyak dan beragam, sehingga membutuhkan energi yang banyak. Dengan adanya
Stasiun Pengisian BBM akan sangat membantu menjalankan aktifitas mereka.
Hubungannya cukup Kuat dan positif.
8. Hubungan Fasilitas Kesehatan dengan Variabel yang lain.
Hubungan Fasilitas Kesehatan dengan SMA SMK menunjukkan hubungan kuat
dan positif. Dari hasil ini dapat diinterpretasikan bahwa keberadaan fasilitas
pendidikan dan pelayanan kesehatan mengumpul di wilayah tertentu. Untuk
hubungan Fasilitas Kesehatan dengan Jumlah Penduduk Berprofesi Petani
menunjukkan hubungan yang negatif dan tidak signifikan, yang dapat diinterpretasikan
bahwa fasilitas kesehatan kurang tersedia di wilayah yang jumlah petaninya signifikan.
Adapun hubungan Fasilitas Kesehatan dengan Usia Produktif menunjukkan akses
terhadap fasilitas dan pelayanan kesehatan digunakan oleh kelompok usia produktif

13. 12
dan sebaran fasilitasnya mengikuti sebaran kelompok usia produktif. Terakhir,
hubungan Fasilitas Kesehatan dengan Status Desa Swasembada menunjukkan
hubungan yang positif kuat. Hal ini berarti Desa Swasembada di Kabupaten Pati telah
memiliki jumlah fasilitas kesehatan yang cukup.
9. Hubungan SMA SMK dengan Variabel yang lain.
Hubungan jumlah fasilitas pendidikan dengan Jumlah Penduduk Berprofesi
Petani menunjukkan hubungan yang cukup kuat dan negatif, artinya Petani yang ada
sudah tidak bersekolah (lulus) atau tidak mampu mengakses pendidikan menengah.
Adapun hubungan SMA - SMK dengan Usia Produktif menunjukkan hubungan yang
kuat dan positif, artinya fasilitas pendidikan dibangun pada lokasi dimana kelompok
usia produktif cukup banyak, atau kelompok usia produktif di Pati sudah terpenuhi
pelayanan pendidikannya. Terakhir, hubungan fasilitas pendidikan dengan Desa
Swasembada menunjukkan hubungan yang kurang kuat dan positif, artinya Status
Desa Swasembada tidak terlalu berpengaruh terhadap keberadaan fasilitas
pendidikan.
10. Hubungan Jumlah Penduduk Berprofesi Petani dengan Variabel yang lain.
Hubungan Jumlah Penduduk Berprofesi Petani dengan usia produktif
menunjukkan hubungan yang negatif dan kuat, yang berarti Kelompok Usia Produktif
didominasi bukan petani. Sementara hubungan Jumlah Penduduk Berprofesi Petani
dengan Desa Swasembada menunjukkan hubungan negatif yang lemah yang berarti
tidak ada hubungan antara status swasembada dengan jumlah Petani.
11. Hubungan Usia Produktif dengan Variabel yang lain.
Hubungan Usia Produktif dengan desa swasembada menunjukkan hubungan
yang positif. Hal ini berarti kelompok usia produktif sangat berperan dalam
mewujudkan desa swasembada.
III.2.3 Hasil KMO dan Bartlett’s Test
Hasil Tes KMO dan Bartlett disajikan pada Tabel 4. Berdasarkan Bartlett’s Test
of Sphericity dengan Chi-Square 163,465 (df 66) dan nilai sig = 0,000 < 0,05
menunjukkan bahwa matriks korelasi bukan merupakan matriks identitas sehingga
dapat dilakukan analisis komponen utama. Di samping itu, Nilai KMO yang dihasilkan
adalah sebesar 0.683 serta p-value sebesar 0,000 (<0,05), nilai tersebut jatuh dalam
kategori “menengah” sehingga layak untuk kepentingan analisis faktor dan dapat
dianalisis lebih lanjut

14. 13
Tabel 4.
III.2.4 Hasil Pengujian Matriks Anti Image
Selain hasil KMO and Bartlett test, pengujian variabel juga dilakukan
menggunakan Anti Image matrices untuk mengetahui apakah variabel – variabel
secara parsial layak untuk dianalisis dan tidak perlu dikeluarkan. Berdasarkan Tabel 5 di
bawah, terlihat bahwa dari 12 variabel yang akan dianalisis, semua variabel memiliki
nilai MSA yang memenuhi syarat (dapat dilihat pada output yang bertanda a pada
kolom Anti-Image Correlation), yaitu nilainya > 0,5.
Tabel 5. Hasil Matriks Anti Image
III.2.5 Hasil Pengujian Communalities
Pengujian communalities merupakan langkah pengujian terakhir sebelum
dilakukan interpretasi hasil rotasi matriks dan komponen yang terbentuk. Hasil yang
diperoleh (Tabel 5) menunjukkan bahwa 12 variabel yang digunakan mempunyai nilai
communalities yang besar (> 0.5). Hal ini mengindikasikan bahwa keseluruhan variabel
yang digunakan memiliki hubungan yang kuat dengan faktor yang terbentuk. Secara

15. 14
umum, semakin besar nilai dari communalities maka semakin baik analisis faktor,
karena adanya karakteristik variabel asal yang diwakili.
Tabel 6. Hasil Perhitungan Communalities
III.2.6 Hasil Perhitungan Total Variance Explained dan Screeplot.
Total Variance Explained menunjukkan besarnya persentase keragaman total
yang mampu diterangkan oleh keragaman faktor - faktor yang terbentuk. Dari hasil
perhitungan, jumlah faktor yang terbentuk ada 4 faktor. Faktor 1 memiliki Eigenvalue
sebesar4,915 Faktor 2 sebesar 2,876, faktor 3 sebesar 1,192 dan Faktor 4 sebesar
1,014. Untuk menentukan berapa komponen/faktor yang dipakai agar dapat
menjelaskan keragaman total maka dilihat dari besar nilai Eigenvalue-nya. Komponen
dengan Eigenvalue > 1 adalah komponen yang dipakai. Kolom ‘% variance’
menunjukkan persentase kumulatif variansi yang dapat dijelaskan oleh faktor yang
terbentuk. Besarnya keragaman yang mampu diterangkan oleh Faktor 1 sebesar 40,96
persen, sedangkan keragaman yang mampu dijelaskan oleh Faktor 2 sebesar 23, 968
persen, Faktor 3 sebesar 9,934 persen dan 4 sebesar 8,451 persen. Keempat faktor
mampu menjelaskan keragaman total sebesar 83,312 persen. Dengan demikian dapat
disimpulkan bahwa keempat faktor sudah cukup mewakili keragaman variabel –
variabel asal karena memiliki total variansi yang terjelaskan lebih dari 80 persen.
Tabel 7. Hasil Perhitungan Total Variance Explained

16. 15
Scree Plot adalah salah satu alternatif yang dapat digunakan untuk membantu
menentukan berapa banyak faktor yang akan terbentuk. Jika kurva masih curam, maka
komponen dapat ditambah. Jika kurva sudah landai, maka penambahan komponen
dapat dihentikan. Walaupun demikian penilaian curam/landai bersifat subjektif. Dari
scree plot pada Gambar 2 di bawah, terlihat pada saat komponen pertama terbentuk,
kurva masih menunjukkan lereng yang menurun ke bawah. Demikian pula juga pada
saat di titik ke-2, garis kurva masih menurun. Di titik ke-3 garis kurva masih menurun
namun sedikit melandai. Hal yang sama masih terjadi pada garis kurva ke 4. Setelah
melewati titik ke-4, garis kurva sudah mulai landau dansemakin ke kanan akan semakin
landai. Dengan demikian dapat disimpulkan bahwa terdapat empat komponen atau
faktor yang terbentuk.
Gambar 2. Hasil Screplot
III.2.7 Hasil Perhitungan Component Matrix dan Rotated Component Matrix
Tabel 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 tabel Component Matrix.
Keempat faktor tersebut menghasilkan matrik loading faktor yang nilai-nilainya
merupakan koefisien korelasi antara variabel dengan faktor-faktor tersebut. Hasil
perhitungan Component Matrix disajikan pada Tabel 8

17. 16
Tabel 8. Hasil Perhitungan Matriks Komponen
Konfigurasi susunan variabel di dalam empat komponen pada matriks
komponen sebelum dilakukan rotasi disajikan pada Tabel 9. Namun demikian hasil
pengelompokkan variabel dalam tiap faktor belum dapat diinterpretasikan dengan
jelas sehingga perlu dilakukan rotasi.
Tabel 9. Pengelompokan Variabel dalam komponen Sebelum Rotasi
Faktor 1 Faktor 2 Faktor 3 Faktor 4
1. Jumlah Bank
2. Pendapatan Asli Desa
3. Jumlah Stasiun BBM
4. Jumlah Fasilitas
Kesehatan
5. Jumlah SMA dan SMK
6. Jumlah penduduk yang
bekerja sebagai petani
7. Jumlah penduduk usia
produktif
1. Luas lahan sawah
2. Jumlah pasar
3. Jumlah KK miskin
1. Jarak ke Kota Pati 1. Status Desa
Swasembada
Rotasi yang dipilih adalah Rotasi 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. Faktor yang dimaksud adalah
faktor yang korelasinya mendekati 1, yang secara otomatis memiliki korelasi yang

18. 17
lemah dengan faktor yang lainnya (korelasinya mendekati 0). Hasil rotasi matriks
disajikan pada Tabel 10.
Tabel 10. Hasil Perhitungan Matriks Komponen Terotasi
Konfigurasi susunan variabel di dalam empat komponen pada matriks
komponen setelah dilakukan rotasi disajikan pada Tabel 11.
Tabel 11. Pengelompokan Variabel dalam komponen Setelah Rotasi
Faktor 1 Faktor 2 Faktor 3 Faktor 4
1. Jumlah Bank
2. Jumlah Stasiun BBM
3. Jumlah Fasilitas
Kesehatan
4. Jumlah SMA dan SMK
5. Jumlah penduduk usia
produktif
1. Luas lahan sawah
2. Jarak ke Kota Pati
3. Jumlah pasar
4. Jumlah KK miskin
5. Jumlah penduduk
berprofesi petani
1. Pendapatan Asli
Desa
1. Status Desa
Swasembada
Hasil pengelompokan variabel dalam faktor setelah rotasi menunjukkan adanya pola
yang lebih dapat dijelaskan secara logis terkait disparitas antara Pati Utara dan Pati
Selatan. Hasil pengelompokan pada Faktor 1 menunjukkan adanya hubungan positif
kuat antara antara nilai indeks dengan variabel Jumlah Bank, Jumlah Stasiun BBM,
Jumlah Fasilitas Kesehatan, Jumlah SMA dan Jumlah Penduduk Usia Produktif, namun
menunjukkan hubungan negatif dengan Jumlah Petani. Hasil ini menunjukkan adanya
kecenderungan pergeseran mata pencaharian ke non pertanian yang ditunjang dengan
bertumbuhnya fasilitas pelayanan di kecamatan – kecamatan tertentu. Faktor ini
selanjutnya disebut Faktor Sumberdaya Pembangunan. Adapun hasil pengelompokan

19. 18
pada Faktor 2 menunjukkan adanya hubungan positif yang kuat antara nilai indeks
dengan variabel Luas Lahan Sawah, Jumlah Pasar, Jumlah KK Miskin, dan Jumlah
Penduduk Petani. Selain itu, nilai indeks pada faktor ini juga berhubungan positif
dengan variabel Jarak ke Kota Pati walaupun hubungannya tidak kuat. Hasil pada
Faktor 2 ini menunjukkan bahwa kebanyakan Petani di Pati tidak sejahtera. Faktor 2 ini
selanjutnya disebut Faktor Pengaruh Tingkat Kemiskinan.
Hasil pengelompokan pada Faktor 3 menunjukkan hanya variabel Pendapatan
Asli Desa yang berkorelasi positif dengan nilai indeks faktor. Namun pada faktor ini
juga ditemui hubungan negatif yang kuat dengan variabel Jarak ke Kota Pati. Hasil ini
mengindikasikan bahwa kecamatan – kecamatan yang semakin dekat ke Kota Pati
memiliki PAD yang lebih besar. Hasil ini menunjukkan bahwa keberadaan Kota Pati
sangat berpengaruh terhadap kemandirian wilayah dalam menghasilkan keuntungan
ekonomi. Faktor ini selanjutnya disebut Faktor Pendapatan Asli Daerah. Nilai indeks
pada Faktor 4 berkorelasi positif kuat dengan variabel Status Desa Swasembada dan
berkorelasi positif sedang dengan variabel Jumlah Fasilitas Kesehatan. Hasil ini dapat
diinterpretasikan bahwa kecamatan yang memiliki desa dengan status swasembada
lebih banyak juga memiliki jaminan kesehatan terhadap warga yang lebih baik di Pati.
III.2.8 Hasil Perhitungan Component Transformation Matrix.
Tabel Component Transformation Matrix berfungsi untuk mengidentifikasi
faktor yang terbentuk sudah tidak memiliki korelasi lagi satu sama lain (orthogonal).
Hasil Component Transformation Matrix disajikan pada Tabel 10. Bila dilihat dari tabel
Component Transformation Matrix, nilai – nilai korelasi yang terdapat pada diagonal
utama berada di atas 0,5 yaitu 0,819; 0,914; 0,801; dan 0,813. Hasil ini menunjukkan
bahwa keempat faktor yang terbentuk sudah baik karena memiliki korelasi yang tinggi
pada diagonal utamanya.
Tabel 10. Hasil Perhitungan Matriks Transformasi Komponen

20. 19
III.3 KESIMPULAN
Dari hasil analisis faktor yang telah dilakukan, dapat diambil kesimpulan sebagai
berikut:
1. Profil Demografi Kabupaten Pati mulai bergeser ke penduduk yang bekerja di
sektor non pertanian, dan penyediaan pelayanan yang ada cenderung
mengikuti sektor non pertanian tersebut.
2. Perdagangan tradisional seperti Pasar masih berorientasi ke Pertanian, namun
kesejahteraan petani tidak terlalu menggembirakan yang terlihat dari hasil
pengelompokan variabel terkait diatas dalam satu komponen.
3. PAD Kabupaten Pati disumbang oleh kecamatan yang lokasinya semakin
mendekat kota. Hal ini memperkuat dugaan bahwa aktivitas ekonomi non
pertanian yang berada di wilayah dekat kota lebih berperan terhadap kemajuan
wilayah daripada wilayah yang lebih jauh.
4. Disparitas Kabupaten Pati, sejauh yang diperoleh dari analisis faktor disebabkan
wilayah selatan masih bergantung pada aktivitas pertanian dan aktivitas
perdesaan lainnya yang tidak kuat secara ekonomi dibanding kecamatan di
utara yang mulai bergeser ke arah non pertanian (aktivitas perkotaan).
Disparitas ini menjadi semakin timpang karena penyediaan fasilitas juga
cenderung memusat ke wilayah yang secara ekonomi lebih mapan.
DAFTAR PUSTAKA
*) Referensi Untuk Sub Bab Tahapan dan Metode Analisis Faktor disarikan dari:
Field, A. P. (2005). Discovering Statistics Using SPSS (2nd
Edition). London: Sage.