1 PENDAHULUAN
1.1 Latar Belakang
Pendapatan Asli Daerah (PAD) sebagai representasi otonomi daerah menunjukkan kemampuan suatu daerah untuk mengatur dan mengurus rumah tangganya sendiri dalam pengelolaan keuangan, baik penerimaan maupun pengeluaran. Pendapatan Asli Daerah yang merupakan salah satu sumber penerimaan daerah harus terus ditingkatkan agar tidak lagi tergantung pada bantuan dari pusat. Dalam upaya peningkatan PAD tersebut ada berbagai faktor yang dapat mempengaruhi, faktor-faktor tersebut harus dianalisis agar dapat diketahui yang manakah faktor yang berpengaruh dan yang tidak berpengaruh untuk digunakan sebagai acuan dalam pengambilan keputusan ataupun kebijakan oleh pemerintah daerah. Penelitian ini bertujuan untuk mengetahui faktor-faktor yang mempengaruhi PAD dari 38 kabupaten/kota di Provinsi Jawa Timur Tahun 2020, apakah Pajak (X1), Jumlah Penduduk(X2), UMK (X3) dan PDRB (X4) berpengaruh terhadap PAD Provinsi Jawa Timur baik secara langsung maupun tidak langsung, serta untuk mengetahui variabel manakah yang pengaruhnya paling dominan terhadap PAD. Berikut merupakan data faktor-faktor yang mempengaruhi PAD dari 38 kabupaten/kota di Provinsi Jawa Timur Tahun 2020.
1.2 Data
Data yang digunakan adalah data sekunder. Data ini diambil dari website BPS Jawa Timur tahun 2020, Sampel diambil dari 38 Kabupaten/Kota di Provinsi Jawa Timur
2 SOURCE CODE
2.1 Library yang Dibutuhkan
> # Library
> library(readxl)2.2 Mengimport Dataset Excel
> # Data Faktor-faktor yang mempengaruhi PAD
> DataXPCA <- read_excel("C:/MATERI KULIAH STATISTIKA/SEMESTER 5/praktikum anmul/tugas praktikum 1/Data_PCA.xlsx")2.3 Menampilkan Dataset
> # Data (DataXPCA)
> View(DataXPCA)
> head(DataXPCA)
# A tibble: 6 × 5
PROVINSI `X1 (Pajak)` `X2(Jumlah Penduduk)` `X3(UMK)` `X4(PDRB)`
<chr> <dbl> <dbl> <dbl> <dbl>
1 kab bangkalan 261801099144 1060377 1954705 17515.
2 kab banyuwangi 595213540337 1708114 2314278 53295.
3 kab blitar 263661013500 1223745 1954705 11026.
4 kab bojonegoro 843284521812 1301635 2015780 24945.
5 kab bondowoso 232926089575 776151 1954705 4723.
6 kab gresik 1163672913876 1311215 4197030 69703.2.4 Menghitung Banyak Komponen Utama
> #Komponen
> pr.out <- prcomp(x = DataXPCA[, c(-1)],
+ center = TRUE, scale. = TRUE) #Tidak mengambil kolom Kabupaten/Kota
> summary(pr.out)
Importance of components:
PC1 PC2 PC3 PC4
Standard deviation 1.4704 1.0138 0.6964 0.57010
Proportion of Variance 0.5405 0.2570 0.1212 0.08125
Cumulative Proportion 0.5405 0.7975 0.9187 1.00000
> #Scree Plot
> DataXPCA_cor <- cor(DataXPCA[ ,-1]) #tidak mengambil kolom nama kabupaten/kota
> DataXPCA_eig <- eigen(DataXPCA_cor)
> DataXPCA_eig
eigen() decomposition
$values
[1] 2.1622001 1.0278253 0.4849585 0.3250161
$vectors
[,1] [,2] [,3] [,4]
[1,] -0.5985535 0.1304408 -0.1736804 0.7710733
[2,] -0.5732589 -0.1517423 -0.5867015 -0.5514797
[3,] -0.5361535 0.2956377 0.7308813 -0.3015797
[4,] 0.1601479 0.9341080 -0.3023724 -0.1018125
> scree_data <- data.frame(eigen_value = eigen(DataXPCA_cor)$values, PC = 1:4)
> plot(x = scree_data$PC, y = scree_data$eigen_value, type = 'b',
+ xlab = 'Komponen Utama ke-', ylab = 'Varians (Nilai Eigen)',
+ main = 'Scree Plot')
2.5 Menghitung Koefisien Komponen Utama
> pr.out <- prcomp(x = DataXPCA[, c(-1)], center = TRUE, scale. = TRUE)
> pr.out
Standard deviations (1, .., p=4):
[1] 1.4704421 1.0138172 0.6963896 0.5701018
Rotation (n x k) = (4 x 4):
PC1 PC2 PC3 PC4
X1 (Pajak) 0.5985535 -0.1304408 0.1736804 -0.7710733
X2(Jumlah Penduduk) 0.5732589 0.1517423 0.5867015 0.5514797
X3(UMK) 0.5361535 -0.2956377 -0.7308813 0.3015797
X4(PDRB) -0.1601479 -0.9341080 0.3023724 0.10181253 HASIL DAN PEMBAHASAN
3.1 Penentuan banyaknya komponen utama
- Menghitung proporsi komulatif varians
Berdasarkan output pr.out maka dapat disimpulkan bahwa analisis akan menggunakan 2 komponen utama karena 2 komponen utama sudah dapat menangkap keragaman sebesar 79,75%. Proposi keragaman dianggap cukup mewakili total keragaman data jika nilai Proporsi kumulatif variansnya minimal 70%-80%.
- Scree Plot
Penentuan jumlah komponen berdasarkan posisi titik kurva ketika mulai melandai. Yang berarti banyaknya komponen utama yang diambil adalah titik dimana terdapat penurunan yang tajam sebelum titik tersebut dan disusul penurunan yang tidak tajam setelah titik tersebut. Pada gambar scree plot di output pada posisi titik 2 kurva mulai melandai. Yang berarti bahwa analisis akan menggunakan 2 komponen utama
- Menghitung nilai eigen
Berdasarkan output diatas maka dapat disimpulkan bahwa nilai eigen komponen utama 2 yaitu 1,027 lebih dari 1. Sehingga dapat ditentukan banyak komponen utama sejumlah 2.
Maka dari ketiga cara menentukan banyak komponen utama menghasilkan kesimpulan yang sama yaitu jumlah komponen utama sebanyak 2.
3.2 Menghitung koefisien komponen utama
Nilai komponen utama dapat dihitung dengan melihat nilai koefisien untuk masing-masing sebgai berikut :
KU 1= 0,5985_X1 + 0,5732_X2 + 0,5361_X3 - 0,1601_X4
KU 1 menggambarkan ukuran dari variabel Pajak, Jumlah Penududuk. Berdasarkan informasi tersebut, KU 1 dapat dinamakan variabel X1_1
KU 2= -0,1304_X1 + 0,1517_X2 - 0,2956_X3 - 0,9341_X4
KU 2 menggambarkan ukuran dari variabel UMK dan PDRB. Berdasarkan informasi tersebut, KU 2 dapat dinamakan variabel X2_2