HIERARCHIAL CLUSTERING ANALYSIS DALAM PEMERATAAN PEMBANGUNAN INDONESIA Anantamurti Purwa Hapsari 1, Emielda Rizqiah 1, Handy Febri Satoto 1, M. Afifuddin 1, M. Imron Mas’ud1, Seta Wiriawan 1, dan Yudha Prasetyo 2 1
Program Magister Teknik Industri, FTI-Institut Teknologi Sepuluh Nopember (ITS),
E-mail :
[email protected],
[email protected],
[email protected],
[email protected],
[email protected],
[email protected] 2
Jurusan Teknik Industri, FTI-Institut Teknologi Sepuluh Nopember (ITS), E-mail :
[email protected]
ABSTRAK Kunci dari pembangunan adalah kemakmuran bersama. Pemerataan hasil pembangunan dan pertumbuhan ekonomi yang tinggi merupakan tujuan pembangunan yang ingin dicapai. Oleh karena itu perlu dilakukan kajian terhadap pemerataan pembangunan semua provinsi di Indonesia, sehingga dapat meningkatkan kesejahteraan dan kemakmuran bagi semua masyarakat Indonesia. Penelitian ini melibatkan 33 provinsi di Indonesia dengan empat variabel interdependensi yaitu Indeks Pendidikan (IP), Indeks Harapan Hidup (IHH), Indeks Pembangunan Manusia (IPM) dan Gini Ratio. Metode yang digunakan adalah metode Hierarchial Clustering. Hasil penelitian ini diperoleh 8 cluster.
Untuk
variabel Indeks Pendidikan (IP), cluster terendah adalah provinsi Papua. Variabel Indeks Harapan Hidup (IHH) cluster terendah adalah provinsi Nusa Tenggara Barat, variabel Indeks Pembangunan Manusia (IPM) cluster terendah yaitu provinsi Papua, sedangkan berdasarkan Gini Ratio cluster terendah adalah provinsi Papua dan D.I. Yogyakarta. Kata kunci : Hierarchial Clustering, Pemerataan Pembangunan Indonesia, Indeks Pendidikan, Indeks Harapan Hidup, Indeks Pembangunan Manusia dan Gini Ratio.
PENDAHULUAN Pembangunan pada hakekatnya bertujuan
oleh rakyat Indonesia. Harapan dan cita-cita yang diinginkan
dapat
diimpementasikan
melalui
untuk meningkatkan kesejahteraan hajat hidup
pembangunan nasional untuk dapat meningkatkan
orang banyak serta perbaikan kualitas berbagai
kesejahtraan
aspek kehidupan manusia.
Menurut Badan Pusat Statistik, pertumbuhan
Pembangunan merupakan agenda sentral
ekonomi,
dan
kemakmuran
merupakan
indikator
masyrakat.
yang
biasa
bagi semua negara, pembangunan dapat diartikan
digunakan untuk menilai sampai seberapa jauh
sebagai upaya terencana dan terprogram yang
pembangunan suatu daerah dalam periode tertentu.
dilakukan secara terus menerus oleh suatu Negara
Mudarajat kuncoro (2004) melihat dan
untuk menciptakan masyarakat yang lebih baik,
mendefenisikan
dan merupakan proses dinamis untuk mencapai
proses yang berisifat multidimensional. Perubahan
kesejahtraan masyaraka.
yang
mencakup
pembangunan
berbagai
sebagai
aspek
suatu
kehidupan
Pemerataaan pembangunan bagi bangsa
manusia seperti dalam hal struktur sosial, sikap
Indonesia sudah lama dinantikan serta diinginkan
mental, dan lembaga-lembaga sosial termasuk
akselerasi
pertumbuhan
ekonomi,
distribusi
pendapatan,
dan
perbaikan
pemberantasan
dan
keterampilan,
sehingga
membentuk
persamaan seperti berikut:
kemiskinan absolut.
IP LIT MYS dengan:
METODOLOGI PENELITIAN a. Sumber dan Metode Pengumpulan Data Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari data BPS pada tahun 2010.
b. Variabel dan Objek Penelitian Dalam penelitian ini ditetapkan sebanyak empat
variabel
interdependensi yang terkait
dengan aspek-aspek pemerataan pembangunan. Empat variabel tersebut adalah Indeks Harapan Hidup, Indeks Pembangunan Manusia, Gini Ratio dan
Indeks
Pendidikan.
Dimana
Indeks
Pendidikan terdiri dari 2 variabel yaitu variabel Angka Melek Huruf dan Angka Partisipasi
IP
= Indeks Pendidikan
LIT
= Angka melek huruf
MYS = Rata-rata lamanya sekolah (tahun) Gini Ratio merupakan ukuran pendapatan
yang
pendapatan.
Angka
kemerataan
dihitung berdasarkan kelas koefisien
Gini
terletak
antara 0 (nol) dan 1 (satu). Nol mencerminkan kemerataan sempurna dan satu menggambarkan ketidakmerataan sempurna. Indeks
Pembangunan
Manusia
(IPM)
merupakan suatu indikator yang dapat digunakan untuk melihat kegiatan pembangunan yang telah dilakukan
di
suatu wilayah. Kriteria IPM
berdasar UNDP dapat dilihat pada tabel di bawah. Tabel Kriteria UNDP
Sekolah. Objek dalam penelitian ini adalah 33
Tingkat status Rendah Menengah kebawah Menengah keatas Tinggi
provinsi di seluruh Indonesia. Indeks harapan hidup sangat dipengaruhi oleh kualitas kesehatan, diantara pola hidup sehat,
Kriteria IPM < 50 50 ≤ IPM < 66 66 ≤ IPM < 80 IPM ≥80
pola konsumsi makanan, dan kualitas lingkungan pemukiman. Angka harapan hidup juga digunakan
c. Tahapan Awal Analisa Data
sebagai indikator untuk menilai taraf kesehatan
Tahap
awal
sebelum
dilakukan
peng-
masyakarat. Angka harapan hidup ini diperoleh
clusteran adalah data yang telah ada dianalisa
dari
2012 (BPS, 2012) dengan
deskriptif untuk mengetahui nilai minimum,
dengan membandingkan jumlah kematian bayi
maksimum, mean dan varian variabel-variabel di
dengan
tiap provinsi. Jika varian terlalubanyak berarti hal
SUSENAS
jumlah kelahiran
bayi pada waktu
tertentu.
ini
IHH = Rata-rata anak yang dilahirkan hidup / ALH
menunjukkan
analisa
deksriptif,
kemudian
dilakukan uji normalitas data untuk mengetahui
ALH = Rata-rata anak yang masih hidup usia 3-4 tahun
apakah data sudah signifikan dan layak untuk diteliti lebih lanjut atau belum. Adapun uji
Indeks pendidikan di dapat memiliki dua indikator khusus yakni angka melek huruf (LIT) dan rata-rata lamanya sekolah (MYS). Kedua indikator ini dapat mencerminkan
ketidakmerataan
pembangunan antar provinsi. Setelah
IHH = Indeks Harapan Hidup
terdapat
pengetahuan
normalitas data yang dilakukan adalah dengan menggunakan uji Kolmogorov- Smirnov.
memberikan petunjuk cases-cases yang mana
d. Tahap Analisa Cluster Pada analisa ini menggunakan software
yang berasal dari cluster tertentu. Dalam hal ini
SPSS versi 18. Tahap pengclusteran menggunakan
akan dipilih dendogram agar bisa diperoleh
metode
adalah Hierarchial
penggambaran yang jelas mengenai bagaimana
Clustering untuk menentukan jumlah cluster yang
cluster yang menjadi hasil dari cluster analysis ini
terbentuk dari 33 provinsi di Indonesia dengan 4
terbentuk. Dalam dendogram bisa diketahui
variabel interdependensi yaitu Indeks Harapan
berapa cluster yang terbentuk dari 33 provinsi di
Hidup, Indeks Pendidikan, Gini Ratio dan Indeks
Indonesia dilihat dari 4 variabel interdependensi
Pembangunan Manusia.
yang ada.
yang
digunakan
Algoritma yang digunakan yaitu algoritma
e. Analisa Akhir
single linkage dan complete linkage.
Setelah diperoleh jumlah cluster dari 33 provinsi,
1. Case Proximity Summary
kemudian
masing-masing
cluster
Menunjukkan jumlah cases apakah terdapat
dilakukan analisis deskriptif untuk mengetahui
missing value, outlier, data yang tidak valid atau
cluster mana yang mempunyai rata-rata indeks
tidak.
harapan hidup, indeks pendidikan, gini ratio dan
2. Proximity Matrik
indeks pembangunan manusia yang terendah.
Proximity
matrix
menunjukkan
nilai
kedekatan (similarity) antar 2 case berbeda yang
Sehingga bisa diketahui provinsi mana saja yang masih belum merata pembangunannya.
direpresentasikan dengan jarak. Semakin kecil nila jarak antara 2 case menunjukkan semakin dekat jaraknya sehingga semakin mirip kedua data
HASIL DAN PEMBAHASAN a. Deskripsi Data
tersebut dan semakin besar kemungkinan bagi
Menurut UNDP (United Nation Deve-
kedua case tersebut untuk tergabung ke dalam 1
lopment
cluster yang sama. Proximity matrix menunjukkan
memiliki rata-rata Indeks Harapan Hidup (IHH)
asal mula agglomeration schedule.
sebesar 71,2237. angka ini dapat di katakan
3. Aglomeration Schedule
bahwa indeks harapan hidup manusia di tiap-tiap
Merepresentasikan
detail
urutan
pem-
provinsi
Programme)
di Indonesia
Provinsi
di
tergolong
Indonesia
ke dalam
bentukan cluster (dimana cluster-cluster baru yang
golongan angka harapan hidup menengah keatas.
lebih besar dibentuk dengan menggabungkan
Hal ini berarti angka harapan hidup penduduk
cluster-cluster
telah ada).
Indonesia sudah baik. Sedangkan variansi dari
Kolom cluster 1 dan cluster menunjukkan cluster
IHH ini adalah sebesar 4,056 dengan angka ini
pertama yang akan digabungkan dengan cluster
dapat dikatakan perbedaan anatara setiap objek
kedua
pada
sebelumnya
pada
stage
yang
tertentu.
Coefficient
variabel
ini
sebesar
4,056%,
dengan
menunjukkan nilai kedekatan hasil penggabungan
demikian dapat pula di katakan bahwa
cluster, bergantung metode yang digunakan.
Provinsi di Indonesia sudah hampir homogen.
4. Dendogram
Hal ini menunjukkan bahwa IHH provinsi di
Dendogram
merupakan
diagram
garpu.
Diagram ini lebih sering digunakan karena lebih interpretative dalam cluster analysis. jelasnya, dendogram antar
cases
dan
IHH
Indonesia hampir merata. Indeks Pendidikan (IP) Indonesia memiliki
Lebih
rata-rata 64,94, indeks ini termasuk dalam indeks
menunjukkan hubungan
menengah ke atas. Hal ini berarti bahwa IP
struktur
dari
dendogram
provinsi di Indonesia sudah baik. Meskipun
demikian, masih ada pula IP provinsi di Indonesia
b. Analisis Data
yang masih kurang, dengan IP 47,61, yakni
Setelah
data
dideskripsikan,
langkah
Provinsi Papua. Variansi data IP ini cukup besar,
selanjutnya adalah analisis data. Adapun tujuan
yakni 18,639, dari variansi ini dapat disimpulkan
dari
bahwa IP Indonesia kurang homogen. Dengan
mengaplikasikan analisis cluster pada data IHH,
demikian bukan berarti data ini tidak layak untuk
IP, IPM dan Gini Ratio semua provinsi di
diteliti, karena ketidak homogenan yang terjadi.
Indonesia
Hal ini adalah murni menunjukkan keadaan IP
pembangunan yang dilakukan oleh pemerintah
semua provinsi di Indonesia.
pusat. Dalam analisis data, yang dilakukan
Indeks Pembangunan Manusia tersusun
analisis
data
guna
ini
adalah
mengetahui
untuk
pemerataan
pertama kali adalah Uji Normalitas Data.
atas rata-rata dari Indeks Pendidikan (IP), Indeks c. Uji Normalitas Data
Harapan Hidup (IHH), dan Gini Ratio. Rata-rata
Uji normalitas data ini dilakukan untuk
IPM provinsi di Indonesia adalah 71,8567.
mengetahui apakah data sudah signifikan dan
Menurut standart UNDP, indeks ini merupakan indeks
dengan
kriteria
menengah
layak untuk diteliti lebih lanjut atau belum.
keatas.
Adapun uji normalitas data
Sedangkan variansi dari IPM ini adalah 8,851.
adalah dengan menggunakan uji Kolmogorov-
Sebagai inti dari peneltian ini variansi dari IPM
Smirnov.
ini dapat dikatakan cukup baik karena berada jauh
One-Sample Kolmogorov-Smirnov Test
di bawah 50.00. Gini Ratio merupakan ukuran pendapatan pendapatan.
yang
koefisien
Gini
terletak
antara 0 (nol) dan 1 (satu). Nol mencerminkan kemerataan sempurna dan satu menggambarkan
menunjukkan
sempurna. tingkat
Indeks_ Indeks_ Indeks_ Harapan_ Pembangu Gini_ pendidikan Hidup nan Ratio
kemerataan
dihitung berdasarkan kelas
Angka
ketidakmerataan
yang dilakukan
Indeks
ketimpangan
Gini atau
N
33
33
33
33
Mean
64.9421
71.2273
71.8567
.3597
Std. Deviation
4.31734
2.01390
2.97506 .03771
Most Extreme Absolute Differences Positive
.243
.131
.084
.149
.131
.084
.120
Negative
-.243
-.096
-.080
-.109
1.396
.754
.482
.687
.041
.620
.974
.733
Normal a Parameters
Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed)
.120
a. Test distribution is Normal.
kemerataan distribusi pendapatan. Nilai koefisien
Uji normalitas data di atas memakai ∝= 5%.
gini (G) antara 0 dan 1 (0
∝ ini ditentukan sebagai kriteria signifikansi data.
ratio provinsi di Indonesia sebesar 0,3957 yang
Dari hasil uji normalitas data pada tabel di atas
berarti
dapat diketahui signifikansi dari masing-masing
bahwa
masih
terdapat
ketimpangan
distribusi pendapatan, dimana varian yang terjadi sebesar 0,001 yang menunjukkan bahwa gini ratio masing-masing provinsi nilainya cenderung sama.
variabel dengan deskripsi sebagai berikut. IHH, IP, IPM, Gini Ratio masing-masing memiliki nilai signifikansi sebesar 0.041, 0.620, 0.974 dan 0.733 dimana signifikansinya lebih besar
Descriptive Statistics Max
Min
Indeks_ Pendidikan
33
47.61
69.55 64.9421
4.31734
18.639
Indeks_Harapan _Hidup
33
67.00
76.20 71.2273
2.01390
4.056
Indeks_Pemban gunan_Manusia
33
64.94
77.60 71.8567
2.97506
8.851
Gini_Ratio
33
.29
.03771
.001
Valid N (listwise)
33
.43
Mean
Std. Variance Deviation
N
.3597
dari alfa (α) yaitu > 0.05, sehingga dapat dikatakan bahwa data berdistribusi normal.
d. Analisa Cluster Analisis
cluster
merupakan
teknik
multivariat yang mempunyai tujuan utama untuk mengelompokkan
objek-objek
berdasarkan
karakteristik yang dimilikinya. Analisis cluster
bernilai
mengklasifikasi objek sehingga setiap objek yang
kedekatan jarak/distance antara Aceh dengan
paling dekat kesamaannya dengan objek lain
Sumatra Barat adalah lebih dekat. Dapat diartikan
berada dalam cluster yang sama. Dalam penelitian
pula kemungkinan Aceh tergabung menjadi 1
ini dilakukan pengelompokkan data dengan
cluster
menggunakan analisis cluster heirarki. Tipe dasar
dibandingkan
dalam
metode
pemecahan.
7,509
yang
dengan
menunjukkan
Sumatra
Barat
dengan
bahwa
lebih
kemungkinan
ini
adalah
aglomerasi
dan
tergabung 1 cluster dengan Sumatra Utara.
Dalam
metode
aglomerasi
tiap
3. Aglomeration Schedule
observasi pada mulanya dianggap sebagai cluster
Merepresentasikan
detail
urutan
besar Aceh
pem-
tersendiri sehingga terdapat cluster sebanyak
bentukan cluster (dimana cluster-cluster baru yang
jumlah observasi. Kemudian dua cluster yang
lebih besar dibentuk dengan menggabungkan
terdekat kesamaannya digabung menjadi suatu
cluster-cluster
cluster baru, sehingga jumlah cluster berkurang
Berikut Tabel Aglomeration Schedule.
yang
telah ada).
Agglomeration Schedule
satu pada tiap tahap. Berikut hasil running pengolahan data cluster pemerataan pembangunan
Cluster Combined Stage
dengan menggunakan SPSS.
sebelumnya
Cluster 1 Cluster 2
Coeffi cients
Stage Cluster First Appears Cluster 1
Next Stage
Cluster 2
1
6
9
.190
0
0
3
2
2
21
.241
0
0
16
3
6
8
.253
1
0
7
4
1
30
.372
0
0
13
missing value, outlier, data yang tidak valid atau
5
13
25
.385
0
0
10
6
31
33
.492
0
0
15
tidak. Berikut Tabel Case Processing Summary.
7
6
12
.639
3
0
17
8
5
23
.736
0
0
14
9
3
7
.782
0
0
16
10
13
22
.825
5
0
15
Cases
11
16
27
.850
0
0
23
Missing
12
20
28
1.438
0
0
21
13
1
26
1.625
4
0
20
14
4
5
1.628
0
8
22
15
13
31
1.673
10
6
20
Summary
16
2
3
2.036
2
9
22
17
6
10
3.030
7
0
25
menunjukkan terdapat 3 kolom yang terdiri dari
18
14
17
3.425
0
0
23
19
11
24
4.115
0
0
28
20
1
13
4.300
13
15
25
21
20
29
4.992
12
0
24
22
2
4
5.009
16
14
27
tidak ada missing value ditunjukkan dengan nilai 0
23
14
16
7.175
18
11
26
24
19
20
8.667
0
21
26
percent missing dan 100% data valid.
25
1
6
8.724
20
17
27
26
14
19
17.399
23
24
29
27
1
2
21.286
25
22
29
28
11
15
35.682
19
0
30
29
1
14
41.796
27
26
30
30
1
11
68.020
29
28
32
31
18
32
83.372
0
0
32
32
1
18
289.530
30
31
0
1. Case Proximity Summary: Menunjukkan jumlah cases apakah terdapat
Tabel Case Processing Summary Valid N
Percent 33
N
100.0
Hasil
Percent 0
Case
Total N
.0
Percent 33
Processing
100.0
kolom Valid, Missing, dan Total. Angka-angka di atas
menunjukkan bahwa dari 33 respondents
2. Proximity Matrik Proximity
matrix
menunjukkan
nilai
kedekatan (similarity) antar 2 case berbeda yang direpresentasikan dengan jarak. Tabel Proximity
Metode
Matrik dapat dilihat pada Lampiran 1. Hasil proximity yang sudah ada dapat dilihat bahwa pada Aceh bernilai 0,000 dan untuk Sumatra
Utara
bernilai
mengindikasikan bahwa
14,127.
Hal
jarak/distance
ini
antara
Aceh dan Sumatra Utara adalah bernilai 14,127. Jika dibandingkan dengan Sumatra Barat yang
yang
digunakan
disini
adalah
Between Group-Linkage, maka nilai kedekatan hasil penggabungan tersebut berdasarkan nilai rata-rata. Semakin kecil nilai Coefficient berarti semakin baik karena menunjukkan kemiripan case-nya. Sedangkan untuk kolom Next stage
menunjukkan stage berikutnya yang merupakan
dihasilkan).
Hasil
Cluster
Membership
kelanjutan dari stage sebelumnya.
penelitian ini adalah sebagai berikut:
dari
Pada data diatas, dapat dilihat bahwa case 6 dan case 9 pada kolom cluster combined memiliki
Cluster Membership
coefficients terendah yaitu 0,190 yang berarti
Case
8 Clusters
1:Aceh
1
2:Sumatera Utara
2
3:Sumatera Barat
2
paling tinggi di cluster paling kecil terjadi pada
4:Riau
2
5:Kepulauan Riau
2
stage 25 ke stage 26. Pada stage 25 ke stage 26
6:Jambi
1
memiliki perbedaan sekitar 8,675. Ini merupakan
7:Sumatera Selatan
2
8:Kepulauan Bangka Belitung
1
lonjakan yang cukup tinggi bila dibandingkan
9:Bengkulu
1
10:Lampung
1
11:DKI Jakarta
3
12:Jawa Barat
1
13:Banten
1
14:Jawa Tengah
4
15:DI Yogyakarta
5
16:Jawa Timur
4
17:Bali
4
18:Nusa Tenggara Barat
6
19:Nusa Tenggara Timur
7
20:Kalimantan Barat
7
21:Kalimantan Tengah
2
22:Kalimantan Selatan
1
23:Kalimantan Timur
2
24:Sulawesi Utara
3
25:Gorontalo
1
26:Sulawesi Tengah
1
menunjukkan hubungan antar cases dan struktur
27:Sulawesi Selatan
4
dari dendogram memberikan petunjuk cases-cases
28:Sulawesi Barat
7
29:Sulawesi Tenggara
7
yang
30:Maluku
1
Dendogram dengan SPSS dapat dilihat pada
31:Maluku Utara
1
32:Papua
8
Lampiran 1.
33:Papua Barat
1
memiliki hubungan yang dekat. Hasil tabel diatas diperoleh bahwa lonjakan
dengan stage 24 ke stage 25 yang memiliki perbedaan sekitar 0,057. Sehingga hasil yang mungkin diambil adalah stage 25 dengan hasil 8 cluster. Dalam hal ini menunjukkan bahwa untuk cara stopping rule ini masih terdapat unsur subjektivitas mengenai keputusan jumlah cluster yang diambil dengan nilai kedekatan dalam cluster tersebut. 4. Dendogram Dendogram digunakan karena lebih inter pretative
dalam
berasal
cluster
dari
analysis
cluster
tertentu.
karena
Hasil
Bila diingikan 8 cluster yang terbentuk maka
Dalam hasil di atas tampak bahwa Provinsi
akan didapatkan nilai Rescaled Distance Cluster
Aceh merupakan anggota cluster 1, Sumatera
Combine (jarak kedakatan) sekitar ± 2. Hal ini
Utara dan Sumatera Barat merupakan anggota
menjukkan bahwa anggota dalam 1 cluster
cluster 2, dan seterusnya. Ringkasan tabel hasil
memiliki nilai jarak kedekatan yang hampir mirip.
cluster secara keseluruhan dapat dilihat pada tabel
5. Cluster Membership
berikut:
Fungsi utamanya untuk menentukan jumlah cluster. Jika peneliti memiliki hipotesis tentang berapa banyak cluster yang harus dihasilkan, maka peneliti
dapat
memerintahkan
SPSS
untuk
membuat beberapa cluster, baik itu dalam jumlah cluster yang pasti maupun dalam bentuk range (kisaran jumlah cluster yang diperkirakan akan
Tabel Hasil Clustering Provinsi di Indonesia
pendidikan terdiri dari Angka Melek Huruf dan
IPM
Gini Ratio
Angka Partispasi Sekolah. Jadi bisa disimpulkan
69.3
71.7
0.3
bahwa penduduk di Papua masih banyak yang
70.8
72.74
0.3
66.11
71
72.86
0.3
Bengkulu
66.27
70.5
72.92
0.37
Lampung
65.66
71.6
71.42
0.36
Jawa Barat
66.79
70.9
72.29
0.36
66.90
69.7
70.48
0.42
Kalimantan Selatan
66.53
69.2
69.92
0.37
Gorontalo
66.47
70.1
70.28
0.43
Sulawesi Tengah
66.72
68.9
71.14
0.37
Maluku
67.97
69.6
71.42
0.33
Maluku Utara
66.85
69.2
69.03
0.34
Papua Barat
66.51
69.8
69.15
0.38
Sumatera Utara
67.81
72.1
74.19
0.35
Sumatera Barat
67.56
71.1
73.78
0.33
Riau
68.43
72.2
76.07
0.33
67.99
72.6
75.07
0.29
Sumatera Selatan
67.51
71.4
72.95
0.34
Kalimantan Tengah
67.65
72
74.64
0.3
Kalimantan Timur
67.63
73.2
75.56
0.37
69.55
76.2
77.6
0.36
69.17
74.9
76.09
0.37
62.37
72.6
72.49
0.34
61.29
71.7
71.62
0.34
61.67
74.3
72.28
0.37
61.10
70.8
71.62
0.4
76
75.77
0.41
Provinsi
Cluster
IP
IHP
Aceh
67.52
Jambi
66.52
Kep. Bangka Belitung
Banten
1
Kepulauan Riau
2
DKI Jakarta
3
Sulawesi Utara Jawa Tengah Jawa Timur
4
Bali Sulawesi Selatan DI Yogyakarta
5
63.59
Nusa Tenggara Barat
6
56.23
67
65.2
0.4
61.39
69.9
67.26
0.38
62.44
70.7
69.15
0.37
61.35
70.8
69.64
0.36
63.93
70.4
70
0.42
47.61
70
64.94
0.41
Nusa Tenggara Timur Kalimantan Barat
7
Sulawesi Barat Sulawesi Tenggara Papua
8
buta huruf dan angka partisipasi sekolahnya juga rendah/sedikit. Provinsi Papua juga memiliki Indeks Pembangunan Manusia (IPM) dan Gini Ratio yang paling rendah dibandingkan cluster lainnya. Nilai IPM Provinsi Papua sebesar 64,94 dan Gini Ratio sebesar 0,41. IPM dapat digunakan untuk memperoleh gambaran secara menyeluruh tentang kondisi hasil pembangunan suatu negara atau daerah. Tiga unsur pembangun IPM tersebut adalah indeks harapan hidup, indeks pendidikan, dan indeks pembelanjaan perkapita. Indeks Gini merupakan ukuran kemerataan pendapatan yang dihitung berdasarkan kelas pendapatan. Angka koefisien Gini terletak antara 0 (nol) dan 1 (satu). Nol mencerminkan kemerataan sempurna dan satu menggambarkan ketidakmerataan sempurna. Jadi Provinsi Papua perlu mendapatkan prioritas utama dalam pembangunan di segala sektor kehidupan terutama hal-hal yang meliputi Indeks Pendidikan, (IP) Indeks Pembangunan Manusia (IPM), dan Gini ratio. IP, IPM, dan Gini Ratio yang rendah mencerminkan sektor pendidikan,
Setelah diketahui jumlah cluster yang terjadi dan pengelompokan masing-masing provinsi ke
kemerataan
pembangunan,
dan
kemerataan
pendapatan yang rendah.
dalam cluster tersebut maka dilakukan analisis
Indeks Harapan Hidup (IHH) terendah
deskriptif pada masing-masing cluster. Hal ini
terjadi di cluster 6 yaitu Provinsi Nusa Tenggara
untuk mengetahui gambaran karakteristik dari
Barat dengan nilai 67. Hal ini mengindikasikan
masing-masing
penanganan
sektor kesehatan masyarakat di Nusa Tenggara
selanjutnya untuk masalah ketenagakerjaan dari
Barat kurang memadai . Angka harapan hidup
cluster-cluster
sangat
cluster
dan
yang terbentuk. Hasil analisa
dipengaruhi oleh kualitas
kesehatan,
deskriptif pada masing-masing cluster dapat
diantara pola
dilihat pada Lampiran 2.
makanan, dan kualitas lingkungan pemukiman.
Hasil analisis deskriptif
hidup
sehat,
pola
konsumsi
hasil cluster dari
Sektor kesehatan menjadi prioritas utama dalam
semua provinsi yang ada di Indonesia, dapat
pembangunan di Provinsi Nusa Tenggara Barat.
diketahui
Provinsi
bahwa
untuk
Indeks
Pendidikan
Nusa
Tenggara
Barat
perlu
juga
terendah adalah cluster 8 dengan nilai rata-rata
mendapat
sebesar 46,613 yaitu Provinsi Papua. Indeks
Pendidikan (IP), Indeks Pembangunan Manusia
Pendidikan ini tergolong rendah, dimana indeks
(IPM) karena memiliki nilai yang relatif rendah
perhatian
khusus
untuk
Indeks
dibandingkan dengan cluster-cluster lainnya yaitu
4. Prioritas pembangunan berdasarkan Indeks
masing-masing sebesar 56,23 dan 65,3. Serta
Pembangunan Manusia (IPM) adalah provinsi
memiliki Indeks Gini ratio yang tinggi yaitu
Papua dan Nusa Tenggara Barat
sebesar 0,4. Hal ini menunjukkan perlunya
5. Prioritas pembangunan berdasarkan Gini Ratio
pembangunan di seluruh sektor. Provinsi Nusa
yaitu provinsi Papua, Di. Yogyakarta dan Nusa
Tenggara Barat memiliki prioritas pembangunan
Tenggara Barat.
IP, IPM, dan Gini Ratio kedua setelah cluster 8 yaitu Provinsi Papua.
DAFTAR PUSTAKA
Pada Cluster 6 dan 8 memiliki Gini Ratio yang paling rendah dibandingkan dengan clustercluster lainnya dengan nilai sebesar 0,41. Nilai ini menunjukkan bahwa pemerataan pendapatan di cluster ini tidak merata. Anggota cluster 6 adalah Provinsi D.I. Yogyakarta, dan cluster 8 adalah Provinsi Papua. Dari data didapatkan bahwa Provinsi Papua, Nusa Tenggara Barat, dan D.I. Yogyakarta memiliki Gini Ratio yang relatif tinggi yaitu sekitar 0,4 - 0,41sehingga menjadi prioritas dalam pemerataan pendapatan. Berikut tabel mengenai pembangunan berdasarkan 4 kriteria tersebut. Kriteria Pembangunan Berdasarkan IP
Papua
IHH
NTB
IPM
Papua
NTB
Gini Ratio
Papua dan DIY
NTB
Provinsi Prioritas 1
Prioritas 2 NTB
KESIMPULAN Adapun kesimpulan dari penelitian ini didapat bahwa: 1. Analisa cluster dapat mengelompokkan 33 provinsi ke dalam beberapa cluster dengan menggunakan kedekatan Rescaled Distance Cluster Combine berdasarkan 4 variabel yang ditetapkan yaitu IP, IHH, IPM dan Gini Ratio. 2. Prioritas pembangunan berdasarkan Indeks Pendidikan (IP) adalah provinsi Papua dan Nusa Tenggara Barat 3. Prioritas pembangunan berdasarkan Indeks Harapan Hidup (IHH) yaitu provinsi Nusa Tenggara Barat
BPS. 2006. Survei Angkatan Kerja Nasional. Jakarta BPS. 2007. Survei Angkatan Kerja Nasional. Jakarta BPS. 2009. Data Strategis BPS. Jakarta BPS. 2012. Perkembangan Beberapa Indikator Utama Sosial-Ekonomi Indonesia. Jakarta Djamaluddin, Arief. 2009. Bahan Kuliah Ekonomi Pembangunan. Universitas Borobudur. Jakarta Dumairi. 1996. Matematika Terapan Bisnis dan Ekonomi. Edisi Yogyakarta: BFE.
Untuk ke-2.
Kuncoro, Mudrajad. 2006. Ekonomika Pembangunan : Teori, Masalah dan Kebijakan. UPP edisi ke-4. UPP STIM YKPN. Yogyakarta. Santoso, Singgih. 2012. Aplikasi SPSS pada Statistik Multivariat. Kompas Gramedia. Jakarta Sharma, S.1996. Applied Multivariate Techniques. New York: John Wiley & Sons, Inc. Siswadi dan B. Suharjo. 1998. Analisis Eksplorasi Data Peubah Ganda. Tugas Akhir Tidak diterbitkan. Bogor: Jurusan Matematika Fakultas MIPA IPB, Bogor. Yudha, Aditya Ananta. 2012. Pemerataan Pembangunan. Kompasiana. Jakarta.
Lampiran 1. Tabel Proximity Matrix
Dendogram
Lampiran 2. Tabel Hasil Analisis Deskriptif Masing-masing Cluster Cluster
Variabel Indeks Pendidikan
Min
Max
Mean
Standar Deviasi
Varians
65.66
67.973333
66.67794872
0.586801655
3.44E-01
68.9
71.6
70.04615385
0.842234513
7.09E-01
69.03
72.92
71.18076923
1.33958614
1.79E+00
0.3
0.43
0.356153846
0.041940128
1.76E-03
67.50667
68.433333
67.79904762
0.324446619
1.05E-01
71.1
73.2
72.08571429
0.703393137
4.95E-01
72.95
76.07
74.60857143
1.069850902
1.14E+00
0.29
0.37
0.33
0.027688746
7.67E-04
69.16667
69.553333
69.36
0.273414622
7.48E-02
74.9
76.2
75.55
0.919238816
8.45E-01
76.09
77.6
76.845
1.06773124
1.14E+00
Gini Ratio
0.36
0.37
0.365
0.007071068
5.00E-05
Indeks Pendidikan
61.1
62.366667
61.60666667
0.558596124
3.12E-01
Indeks Harapan Hidup
70.8
74.3
72.35
1.493318452
2.23E+00
71.62
72.49
72.0025
0.449916659
2.02E-01
0.34
0.4
0.3625
0.028722813
8.25E-04
63.59333
63.593333
63.59333333
-
-
76
76
76
-
-
75.77
75.77
75.77
-
-
0.41
0.41
0.41
-
-
56.23333
56.233333
56.23333333
-
-
67
67
67
-
-
65.2
65.2
65.2
-
-
0.4
0.4
0.4
-
-
61.35333
63.933333
62.28
1.211610498
1.468
69.9
70.8
70.45
0.404145188
0.163333333
67.26
70
69.0125
1.219162964
1.486358333
0.36
0.42
0.3825
0.026299556
0.000691667
47.61333
47.613333
47.61333333
-
-
70
70
70
-
-
64.94
64.94
64.94
-
-
0.41
0.41
0.41
-
-
Indeks Harapan Hidup 1 Indeks Pembangunan Manusia Gini Ratio Indeks Pendidikan Indeks Harapan Hidup 2 Indeks Pembangunan Manusia Gini Ratio Indeks Pendidikan Indeks Harapan Hidup 3 Indeks Pembangunan Manusia
4 Indeks Pembangunan Manusia Gini Ratio Indeks Pendidikan Indeks Harapan Hidup 5 Indeks Pembangunan Manusia Gini Ratio Indeks Pendidikan Indeks Harapan Hidup 6 Indeks Pembangunan Manusia Gini Ratio Indeks Pendidikan Indeks Harapan Hidup 7 Indeks Pembangunan Manusia Gini Ratio Indeks Pendidikan Indeks Harapan Hidup 8 Indeks Pembangunan Manusia Gini Ratio