Tahap-tahapan yang dilaku kan dalam penelitian ini sebagai berikut : 1. Menyeleksi dan mengolah data sesuai dengan ketentuan KNPDT untuk mendapatkan peubah respon status daerah. 2. Mendiskretisasi peubah penjelas dengan menggunakan algorit ma k-means. 3. Menyusun struktur BN dengan menggunakan algorit ma naive bayes, maximum spanning tree dan equivalence classes. 4. Membandingkan tingkat keakuratan prediksi dan tingkat kesalahan hasil klasifikasi ket iga struktur BN dengan data KNPDT. 5. Menganalisis perubahan peluang peubah respon (status daerah) berdasarkan perubahan-perubahan peluang yang terjadi pada setiap peubah penjelas dan sebaliknya dalam struktur BN terbaik. Software yang digunakan pada penelitian ini adalah Bayesia Lab 4.4.1 (Evaluation Version) dan Microsoft Excel 2003.
HAS IL DAN PEMBAHASAN
men jadi empat kategori sedangkan peubah SDM, kelembagaan keuangan, dan karakteristik daerah terbagi menjadi tiga kategori. Deskripsi Data Peubah Respon Data yang digunakan dalam penelit ian in i terdiri atas 434 kabupaten/kotamadya seluruh Indonesia. Hasil pengkategorian status daerah tertinggal yang dilaku kan oleh KNPDT berdasarkan kriteria-kriteria yang telah ditentukan didapatkan hasil yang tersaji pada Gambar 3.
Gambar 6 Status Daerah. a = kategori daerah maju, b = kategori daerah agak tertinggal, c = kategori daerah tertinggal, d = kategori daerah, sangat tertinggal, e = kategori daerah sangat parah.
Diskretisasi K-Means Peubah yang digunakan dalam penelitian ini terdiri atas satu peubah kategorik dan enam peubah kontinu, yang dapat dilihat pada Tabel_1. Tabel 1 Peubah-peubah yang digunakan Jenis Nama Peubah Peubah Status Daerah Kategorik Karakteristik Daerah Kontinu SDM Kontinu Infrastruktur Kontinu Kelembagaan Keuangan Kontinu Ekonomi Kontinu Aksesibilitas Kontinu Diskretisisasi k-means pada penelitian in i diterapkan pada peubah penjelas jenis kontinu. Diskretisasi dilakukan dengan mengkategorikan data berdasarkan jarak terdekat pada masing-masing centroid. Centroid dihitung dari rata-rata (mean ) kelo mpok data. Proses tersebut akan dilakukan secara berulang dan berhenti setelah kategori yang terbentuk stabil. Penelitian dilakukan mu lai dari nilai k = 10 dan didapatkan nilai optimu m k = 4. Hasil diskretisasi peubah penjelas dengan menggunakan k-means dapat dilihat pada Lampiran 3. Peubah ekonomi, infrastruktur, dan aksesibilitas terbagi
Jumlah daerah yang dikategorikan oleh KNPDT sebagai status daerah maju sebesar 53.46%, sebagai daerah agak tertinggal sebesar 19.35%, daerah tertinggal sebesar 13.82%, daerah sangat tertinggal 10.83% dan daerah sangat parah sebesar 2.53%. Pembagian kategori status daerah didasarkan perhitungan yang telah ditetapkan oleh KNPDT (Lamp iran 1). Peubah Penjel as Nilai yang terdapat pada peubah penjelas memperlihatkan suatu tingkat nilai yang berkebalikan. Semakin tinggi nilai yang terdapat pada peubah penjelas menggambarkan keadaan peubah tersebut semakin tidak bagus kondisinya. Nilai yang berkebalikan ini dilaku kan oleh KNPDT agar searah dengan nilai ketertinggalan. Karakteristik daerah diukur dari tujuh kriteria bencana alam dan konflik (Lampiran_1). Keadaan peubah karakteristik daerah dapat dilihat pada Gambar 7. Persentase karakteristik daerah dengan selang nilai (-0.682; -0.003) sebesar 61.29%, karakteristik daerah dengan selang nilai (-0.002; 0.766) sebesar 31.57%, dan karakterit ik daerah dengan selang nilai (0.767; 2.226) sebesar 7.14%. Semakin t inggi nilai karakteristik daerah berarti semakin kurang baik keadaan karakteristik daerah tersebut.
membawahi. Gambar 10 memperlihatkan grafik dari peubah aksesibilitas.
Gambar 7 Karakteristik Daerah Peubah kualitas sumber daya manusia (SDM ) diukur berdasarkan tiga kriteria, yaitu : tenaga kerja, kesehatan, dan pendidikan. Setiap kriteria tersebut tersusun atas beberapa sub kriteria yang dapat dilihat pada Lamp iran_1. Kualitas SDM Bangsa Indonesia secara umum berdasarkan kriteria dari KNPDT diperlihatkan pada Gambar 8. Semakin tinggi nilai SDM maka semakin rendah kualitas SDM.
Gambar 8 Su mber Daya Manusia Gambar 8 memperlihatkan persentase kondisi SDM bangsa Indonesia. Persentase kualitas SDM dengan selang nilai (-0.847; -0.101) sebesar 43.32%, persentase nilai kualitas SDM dengan selang (-0.100; 0.458) sebesar 46.31%, sedangkan kualitas nilai pada selang (0.459; 2.266) persentase sebesar 10.37%. Peubah kondisi ekonomi daerah di Indonesia diperlihatkan pada Gambar 9. Semakin besar nilai maka semakin buruk kondisi ekonomi. Kondisi ekonomi daerah ditentukan dari dua kriteria, yaitu : persentase penduduk miskin dan indeks kedalaman kemiskinan. Persentase kondisi ekonomi Indonesia dengan selang nilai (-1.472; 0.513) sebesar 30.18%, persentase nilai ekonomi pada selang (-0.512; 0.283) sebesar 38.25%, persentase nilai ekono mi pada selang (0.282; 1.432) sebesar 25.12%, dan persentase nilai selang ekonomi (1.433; 3.505) sebesar 6.45%.
Gambar 9 Ekono mi
Aksesibilitas adalah jarak rata-rata dari kantor desa ke kabupaten/kotamadya yang
Gambar 10 A ksesibilitas Persentase nilai aksesibilitas pada selang (-1.451; -0.806) adalah sebesar 24.65%, sedangkan persentase nilai pada selang (-0.805; 0.041) sebesar 30.88%, persentase nilai antara selang (0.042; 1.020) sebesar 25.12% dan persentase nilai selang aksesibilitas (1.021; 3.825) sebesar 19.35%. Semakin tinggi nilai aksesibilitas maka tingkat akses daerah tersebut semakin sulit. Peubah kelembagaan keuangan adalah celah fiskal yaitu selisih penerimaan keuangan daerah dengan anggaran belanja daerah. Semakin kecil n ilai berart i semakin kecil selisih antara penerimaan dengan belanja daerah sehingga semakin efisien penggunaan dana. Gambar 11 memperlihatkan t ingkat efisiensi dari kelembagaan keuangan.
Gambar 11 Kelembagaan Keuangan Semakin kecil nilai peubah kelembagaan keuangan maka semakin efisien atau semakin baik penggunaan anggaran. Gambar 11 memperlihatkan hanya 3.00% daerah yang menggunakan efisiensi anggaran dengan baik pada selang nilai (-0.791; -0.293), sebesar 68.20% penggunaan dana kurang efisien pada selang (-0.292; -0.007), sedangkan sisanya sebesar 28.80% berada ditingkat sedang yaitu pada selang nilai (-0.007; 0.2007). Peubah Infrastruktur diukur dari beberapa kriteria, yaitu: sarana transportasi, pelanggan listrik, pelanggan telepon, jumlah bank, dan ju mlah pasar (Lampiran 1). Semakin kecil nilai peubah infrastruktur, maka menggambarkan semakin baik keadaan infrastrutur tersebut. Gambar 12 memeperlihatkan persentase keadaan infrastruktur.
Membangun Struktur Bayesian Network
Gambar 12 Infrastruktur Infrastruktur dengan selang nilai (-2.1675; -0.828) memiliki persentase sebesar 7.83%, antara selang (-0.827; -0.145) presentasenya sebesar 23.73%, antara selang (-0.144; 0.323) sebesar 39.86%, dan pada selang nilai (0.324; 0.967) memiliki persentase sebesar 28.57%.
Algoritma Naive Bayes Algorit ma naive bayes merupakan algorit ma yang paling sederhana dalam membangun struktur BN. Algorit ma in i bekerja dengan cara menghubungkan seluruh peubah penjelas dengan peubah respon dengan diasumsikan bahwa semua peubah pejelas adalah salin bebas. Gambar 13 memperlihatkan struktur BN yang dibangun dengan menggunakan algoritma naive bayes. Peubah respon adalah status daerah, sedangkan yang lain adalah peubah penjelas.
Korelasi Peubah Korelasi antara peubah penjelas dengan peubah respon maupun antar peubah penjelas lainnya dapat dilihat pada Lampiran 4. Nilai korelasi yang paling tinggi adalah korelasi antara peubah ekonomi dengan status daerah yaitu sebesar 0.7148 sedangkan korelasi yang paling lemah adalah korelasi antara aksesibilitas dengan karakteristik daerah, yaitu sebesar 0.0171. Korelasi paling kuat antara peubah ekonomi dengan peubah status daerah memberikan informasi bahwa peubah ekonomi merupakan peubah yang memiliki pengaruh (efek) perubahan paling besar terhadap peubah status daerah. Peubah kelembagaan keuangan merupakan peubah penjelas yang memiliki korelasi paling kecil dengan peubah status daerah diantara peubah penjelas lainnya, sehingga peubah ini memiliki t ingkat pengaruh yang paling kecil terhadap peubah status daerah. Lamp iran 4 memberikan informasi bahwa ada dua buah korelasi yang bertanda negatif, yaitu antara peubah aksesibilitas dengan peubah kelembagaan keuangan dan antara peubah SDM dengan peubah kelembagaan keuangan. Korelasi negatif memberikan art i bahwa kedua peubah memiliki hubungan berkebalikan, semakin tinggi satu peubah maka peubah lainnya semakin rendah. Peubah ekonomi memiliki korelasi yang cukup kuat dengan peubah aksesibilitas dan peubah SDM. Begitu juga antara peubah kelembagaan daerah dengan peubah infrastruktur yang memiliki nilai ko relasi cu kup besar. Korelasi yang cukup kuat juga terlihat antara peubah aksesibilitas dengan peubah infrastruktur. Peubah ekonomi dengan peubah kelembagaan keuangan justru memiliki korelasi yang tergolong sangat kecil yaitu sebesar 0.0562, artinya kedua peubah ini memiliki tingkat saling mempengaruhi yang kecil.
Gambar 13 BN : algorit ma naive bayes Asumsi naive yang menyatakan bahwa antar peubah penjelas merupakan saling bebas ditunjukkan pada Gambar 13, t idak ada garis (edge) yang menghubungkan antar peubah penjelas. Semua peubah penjelas mengarahkan edge ke peubah respon atau status daerah. Penjelasan sederhana struktur BN yang dibangun dengan algoritma naive bayes adalah menempatkan peubah respon sebagai child bagi setiap peubah penjelas. Akibat dari hal ini adalah setiap perubahan persentase yang terjadi pada peubah penjelas akan langsung berpengaruh terhadap perubahan persentase peubah respon atau status daerah dan tidak memperjitungkan perubahan yang terjadi sesama peubah penjelas. Algoritma Maximum Spanning Tree Algorit ma Maximum Spanning Tree yang dipakai merupakan algorit ma yang didasarkan atas hubungan causal relationship. Hubungan kausal in i diperlihatkan melalu i korelasi spearman. Penggunaan algorit ma prim mensyaratkan agar setiap peubah dapat terhubung namun tidak memebentuk sebuah siklus. Peubah ekonomi dan peubah status daerah adalah dua peubah yang dihubungkan dengan edge pertama kali, hal ini disebabkan karena nilai korelasi yang paling tinggi.
Sedangkan antara peubah aksesibilitas dengan peubah infrastruktur dihubungkan dengan edge paling terakhir, karena memiliki korelasi yang paling kecil diantara peubah-peubah yang dimasukkan dalam spanning tree. Gambar_14 memperlihatkan struktur BN hasil dari algorit ma maximum spanning tree.
BN yang dibangun dengan menggunakan algorit ma equivalence classes.
Gambar 15 BN : equivalence classes Gambar 14 BN : algorit ma maximum spanning tree Peubah status daerah menjadi child dari peubah ekonomi dan karakteristik daerah. Peubah ekonomi menjadi child dari peubah aksesibilitas dan SDM. Peubah Infrastruktur men jadi parent bagi peubah aksesibilitas yang selanjutnya peubah infrastruktur menjadi child dari peubah kelembagaan keuangan. Gambar 14 memperlihatkan bahwa selain peubah ekonomi dan peubah karakteristik daerah, keempat peubah yang lain tidak mempengaruhi peubah status daerah secara langsung. Peubah kelembagaan keuangan, perubahan pada peubah ini akan terlebih dahulu mempengaruhi perubahan pada peubah infrastruktur, kemud ian peubah infrastruktur akan mempengaruhi peubah Aksesibilitas. Peubah aksesibilitas yang selanjutnya mempengaruhi peubah ekonomi yang kemudian berpengaruh terhadap status daerah. Peubah SDM pun sama, tidak bisa langsung berpengaruh pada peubah status daerah, namun harus melalu i perubahan pada peubah ekonomi, yang selanjutnya peubah ekonomi mempengaruhi peubah status deaerah. Algoritma Equivalence Classes Algorit ma equivalence classes merupakan algorit ma yang didasarkan pada tingkat kesamaan (equivalence) peubah. Peubah yang memiliki kesamaan akan memiliki hubungan yang erat dan tingkat kebebasan yang kecil. Hubungan kesamaan dan kebebasan antar peubah ini ditunjukkan dengan nilai khikuadrat yang dapat dilihat pada Lamp iran 5. Jika pada uji khi-kuadrat dinyatakan tidak saling bebas maka ada hubungan antar peubah. Gambar 15 memperlihatkan struktur
Peubah status daerah menjadi child bagi peubah karakteristik daerah, aksesibilitas, SDM, Ekonomi, dan Infrastruktur, sedangkan peubah kelembagaan keuangan menjadi parent bagi peubah infrastruktur. Semua peubah penjelas selain kelembagaan keuangan memiliki pengaruh langsung ke peubah status daerah, sedangkan peubah kelembagaan keuangan melalui perubahan pada peubah infrastruktur terlebih dahulu. Membandi ngan Hasil Kl asifikasi Struktur Bayesian Network Membandingkan tingkat keakuratan prediksi setiap struktur BN d ilakukan dengan melihat tingkat keakuratan dalam pred iksi. Tingkat keakuratan dihitung dengan cara men ju mlah kan seluruh prediksi yang sesuai dibagi dengan total semua prediksi, sedangkan tingkat kesalahan dengan cara menju mlahkan semua prediksi yang tidak sesuai dibagi dengan total prediksi. Tingkat keaku ratan dan tingkat kesesuaian tersebut kemudian dih itung presentasenya. Membandi ngkan dengan Hasil KNPDT Struktur model BN yang telah dibangun sebagaimana yang terlihat pada gambar 13, 14, dan 15 akan dibandingkan dengan hasil klasifikasi yang dilakukan oleh KNPDT. Perbandingan ini ingin memilih algorit ma yang sesuai dengan hasil dari klasifikasi KNPDT dalam menentukan status daerah tertinggal. Hasil klasifikasi struktur BN dengan algorit ma naive bayes yang dibandingkan dengan hasil dari klasifikasi yang dilakukan oleh KNPDT disajikan pada Tabel 2.
Tabel 2 Perbandingan hasil klasifikasi antara algorit ma naive bayes dengan hasil KNPDT
tidak sesuai dengan hasil KNPDT. Status agak tertinggal pada klasifikasi algorit ma in i sebanyak 43 daerah yang tidak sesuai dengan hasil klasifikasi KNPDT. Sedangkan yang paling kecil adalah klasifikasi daerah sangat parah, yaitu hanya 8 daerah yang diklasifikasikan tidak sesuai. Secara keseluruhan sebanyak 147 daerah dari 434 daerah yang diklasifikasikan maximu m spanning tree tidak sesuai dengan hasil KNPDT. Hasil klasifikasi struktur BN dengan algorit ma equivalence classes yang dibandingkan dengan hasil dari klasifikasi yang dilakukan oleh KNPDT disajikan pada Tabel 4.
Tabel 2 memperlihatkan hasil perbandingan klasifikasi antara algorit ma naive bayes dengan hasil KNPDT. Hasil klasifikasi dari algorit ma naive bayes banyak tidak sesuai pada status agak tertinggal. Sebanyak 41 daerah yang diklasifikasikan tidak sesuai dengan hasil KNPDT. Sedangkan yang paling kecil adalah klasifikasi daerah sangat parah, yaitu hanya 6 daerah yang diklasifikasikan tidak sesuai. Secara keseluruhan sebanyak 114 daerah dari 434 daerah yang diklasifikasikan naive bayes tidak sesuai dengan hasil KNPDT. Hasil klasifikasi struktur BN dengan algorit ma maximum spanning tree yang dibandingkan dengan hasil dari klasifikasi yang dilakukan oleh KNPDT disajikan pada Tabel 3.
Tabel 4 Perbandingan hasil klasifikasi antara algorit ma equivalence classes dengan hasil KNPDT
Tabel 3 Perbandingan hasil klasifikasi antara algorit ma maximum spanning tree dengan hasil KNPDT
Tabel 3 memberikan informasi tentang hasil perbandingan klasifikasi antara algorit ma maximum spanning tree dengan hasil kalsifikasi yang dilakukan oleh KNPDT. Hasil klasifikasi dari algorit ma maximum spanning tree banyak tidak sesuai pada status maju. Sebanyak 47 daerah yang diklasifikasikan
Tabel 4 memperlihatkan hasil perbandingan klasifikasi antara algorit ma equivalence classes dengan hasil KNPDT. Hasil klasifikasi dari algorit ma equivalence classes banyak tidak sesuai pada status agak tertinggal. Sebanyak 25 daerah yang diklasifikasikan tidak sesuai dengan hasil KNPDT. Sedangkan yang paling kecil adalah klasifikasi daerah sangat parah, yaitu hanya 4 daerah yang diklasifikasikan t idak sesuai. Secara keseluruhan sebanyak 63 daerah dari 434 daerah yang diklasifikasikan equivalence classes tidak sesuai dengan hasil KNPDT. Tabel 2, 3, dan 4 memperlihatkan tingkat kesesuaian klasifikasi antara masing-masing algorit ma dengan hasil dari KNPDT. Algorit ma maximum spanning tree menunjukkan tingkat kesesuaian terendah diantara ketiga algorit ma yang diterapkan pada penelitian ini. Algorit ma naive bayes memiliki t ingkat kesesuaian yang cukup besar namun masih lebih rendah jika dibandingkan dengan tingkat kesesuaian dari algorit ma equivalence classes. Algorit ma equivalence classes merupakan algorit ma yang paling sesuai dengan hasil KNPDT.
Membandi ngkan Antar Algoritma Algorit ma equivalence classes merupakan algorit ma pembangun struktur BN yang paling sesuai denga hasil klasifikasi KNPDT. Klasifikasi KNPDT dalam penetapan status daerah tidak melihat hubungan korelasi antara peubah penjelasnya hal ini mirip dengan asumsi naive bayes. Algorit ma naive bayes mengasumsikan bahwa tiap peubah penjelas adalah saling bebas dan mempengaruhi langsung ke peubah respon. Tabel 5 memberikan informasi terkait hubungan tingkat kesesuaian klasifikasi. Sebesar 73.73% kesesuaian antara hasil naive bayes dengan KNPDT, lebih besar dibanding dengan algorit ma maximum spanning tree yang tingkat kesesuaiannya sebesar 66.13% dengan KNPDT. Tabel 5
KNPDT
Perbandingan tingkat keakuratan antara hasil KNPDT, hasil algorit ma naive bayes (NB), maximum spanning tree (MST), dan equivalence classes (EC) KNPDT
NB
MST
EC
100%
73.73%
66.13%
85.48%
NB
73.73%
100%
58.42%
81.56%
MST
66.13%
58.42%
100%
65.84%
EC
85.48%
81.56%
65.84%
100%
Struktur BN yang dibangun dengan algorit ma maximu m spanning tree melihat tingkat korelasi antar peubah penjelas. Tingkat kesesuaian antara algorit ma ini dengan KNPDT sangat kecil, hal in i karena peubah penjelas pada klasifikasi KNPDT semuanya langsung berpengaruh ke peubah status daerah tanpa melihat pola korelasi antar peubah penjelas. Secara struktur BN algorit ma maximum spanning tree sangat berbeda dengan struktur BN pada algorit ma naive bayes. Perbedaan kedua struktur tersebut memberikan tingkat kesesuaian klasifikasi sebesar 58.42%. Tingkat kesesuaian yang relatif kecil juga diperlihatkan antara klasifikasi struktur BN algorit ma maximu m spanning tree dengan klasifiasi struktur BN algorit ma equivalence classes, sebesar 65.84%. Algorit ma equivalence classe merupakan algorit ma yang paling sesuai dengan dengan hasil KNPDT. Hal in i dapat terlihat pada tabel_5 terkait tingkat kesesuaiannya, yaitu sebesar 85.48%. Struktur BN algorit ma equivalence classes dengan struktur BN algorit ma naive bayes hampir mirip, perbedaannya hanya pada peubah
kelembagaan keuangan yang tidak langsung mempengaruhi peubah respon. Struktur yang mirip tersebut memberikan tingkat kesesuaiaan klasifikasi sebesar 81.56%. Secara teori seharusnya diperhitungkan tingkat korelasi antar peubah penjelas dalam menghitung hasil klasifikasi, namun pada KNPDT dalam menetapkan status daerah tertinggal tidak memperh itungkan hal tersebut. Berbeda dengan algorima maximum spanning tree yang mencari hubungan struktur BN berdasarkan tingkat korelasi, sehingga didapatkan struktur hubungan yang optimal dengan tingkat korelasi terbesar. Hal inilah yang menyebabkan tingkat kesesuaian antara algorit ma maximum spanning tree dengan hasil KNPDT kecil. Secara teori algorit ma maximum spanning tree merupakan algorit ma yang terbaik dalam klasifikasi, karena memperhitungkan tingkat korelasi antar peubah penjelas, namun hasil penelitian memberikan kesimpu lan bahwa algorit ma equivalence classes merupakan algorit ma yang paling sesuai dengan hasil KNPDT. Pembahasan berikutnya menggunakan struktur BN yang dibangun dengan mengunakan algorit ma equivalence classes yang merupakan algorit ma terbaik secara teori.
Analisis Perubahan Peubah Penjelas terhadap Peubah Res pon Struktur BN dapat digunakan dalam melihat perubahan peluang yang terjadi pada peubah respon ketika peluang peubah penjelas berubah. Hal ini dilakukan dengan cara menggeser peluang pada kategori-kategori peubah penjelas dan dilihat sejauh mana perubahan peluang yang terjadi pada peubah respon. Pembahasan ini melihat perubahan peluang yang terjadi pada peubah status daerah dari setiap perubahan peluang peubah penjelas. Perubahan Peubah Karakteristik Daerah Berikut merupakan perubahan-perubahan yang terjadi pada peluang peubah status daerah ketika terjadi perubahan peluang pada peubah karakteristik daerah. Gambar 16, 17, dan 18 memperlihatkan perubahan-perubahan yang terjadi.
Perubahan Peubah SDM Gambar 19, 20, dan 21 berikut memperlihatkan perubahan yang terjadi pada persentase peluang peubah status daerah ketika terjad i perubahan peluang peubah SDM.
Gambar 16 Karakteristik Daerah pada selang nilai (-0.682; -0.003)
Gambar 19 SDM pada selang nilai (-0.847; 0.101)
Gambar 17 Karakteristik Daerah pada selang nilai (-0.002; 0.766)
Gambar 20 SDM pada selang nilai (-0.100; 0.458)
Gambar 18 Karakteristik Daerah pada selang nilai (0.767; 2.226) Peubah karakteristik daerah memiliki hubungan yang cukup kuat dengan peubah peubah status daerah. Hal ini dapat dilihat pada Lamp iran 5 yang menunjukkan nilai khikuadrat yang relatif besar (X2 =77.727). Nilai khi-kuadrat tersebut menunjukkan bahwa hubungan antara peubah status daerah dengan peubah karakteristik daerah memiliki hubungan yang tidak bebas. Gambar 16, 17, dan 18 menunjukkan juga bagaimana hubungan antara kedua peubah tersebut. Semakin tinggi nilai peubah karakteristik daerah (kondisi karakteristik daerah makin kurang bagus) maka semakin tinggi status ketertinggalan suatu daerah (semakin banyak daerah yang tertinggal).
Gambar 21 SDM pada selang nilai (0.459; 2.266) Peubah SDM memiliki arah edge yang langsung menunjuk ke peubah status daerah, artinya perubahan pada kualitas SDM secara langsung berpengaruh terhadap perubahan status daerah. Lamp iran 5 menunjukkan nilai khi-kuadrat yang cukup besar (X2 =144.562). Gambar 19, 20, dan 21 menunjukkan hubungan kualitas SDM dengan status daerah adalah berbanding lurus, yaitu semakin tinggi nilai peubah SDM maka semakin tinggi status ketertinggalan suatu daerah.
Perubahan Peubah Ek onomi Gambar 22, 23, 24, dan 25 memperlihatkan perubahan persentase yang terjadi pada peubah status daerah ketika terjad i perubahan peluang pada peubah ekonomi.
Gambar 22 Ekonomi pada (-1.472; -0.513)
Gambar 23 Ekonomi pada (-0.512; 0.283)
selang
nilai
selang
nilai
Gambar 24 Ekono mi pada selang (0.282; 1.432)
nilai
Gambar 25
Ekonomi pada selang nilai (1.433; 3.505)
Nilai khi-kuadrat dari peubah ekonomi dengan peubah status daerah yang cukup besar, yaitu X2 =314.709 artinya kedua peubah ini tidak saling bebas. Gambar 22, 23, 24, dan 25 dapat diambil simpulan bahwa hubungan antara kondisi ekonomi dengan status daerah adalah berbanding lurus. Semakin tinggi nilai peubah ekonomi maka semakin meningkatkan status ketertinggalan suatu daerah. Perubahan Peubah Aksesibilitas Gambar 26, 27, 28, dan 29 berikut merupakan perubahan persentase status daerah ketika terjad i perubahan peluang peubah aksesibilitas.
Gambar 26
Aksesibilitas pada (-1.451; -0.806)
selang
Gambar 27 A ksesibilitas pada selang nilai (-0.805; 0.041)
Gambar 28
A ksesibilitas pada selang nilai (0.042; 1.020)
Gambar 29
A ksesibilitas pada selang nilai (1.021; 3.825)
Gambar 31
Kelembagaan Keuangan pada selang nilai (-0.292; -0.007)
Gambar 32
Kelembagaan Keuangan pada selang nilai (-0.007; 0.2007)
Nilai khi kuadrat antara peubah status daerah dengan peubah aksesibilitas adalah sebesar 97.618 (tidak salng bebas). Gambar 26, 27, 28, dan 29 memberikan informasi hubungan antara nilai aksesibilitas dengan status daerah adalah berbanding lurus. Semakin tinggi nilai aksesibilitas maka semakin tinggi status ketertinggalan suatu daerah. Perubahan Peubah Kelembagaan Keuangan Nilai peubah kelembagaan keuangan ini mencermin kan efisiensi penggunaan dana dari pemerintah daerah. Semakin t inggi nilai maka efisiensi anggaran semakin buruk. Perubahan persentase yang terjadi pada peubah status daerah karena perubahan peluang dari peubah kelembagaan keuangan ditunjukkan oleh Gambar 30, 31, dan 32. Stru ktur BN memberikan in formasi bahwa hubungan antara kedua peubah ini adalah secara tidak langsung. Peubah kelembagaan keuangan sebagai grandparent dari status daerah melalu i perantara peubah infrastruktur.
Gambar 30
Kelembagaan Keuangan pada selang nilai (-0.791; -0.293)
Secara umu m pengaruh peubah kelembagaan ke peubah status daerah cukup rendah. Peubahan hanya terjadi dengan adannya kenaikan dan penurunan persentase status daerah, namun tidak mengubah urutan persentase. Hubungan kebebasan ditunjukkan dengan nilai uji kh i kuadrat sebesar 38.65. Meskipun hubungan tidak bebas namun nilai ujinya termasuk kecil dibandingkan dengan peubah penjelas yang lain, sehingga pengaruhnya juga kecil. Hubungan peubah status daerah dengan peubah kelembagaan keuangan adalah berbanding lurus, artinya semakin tinggi nilai peubah kelembagaan keuangan maka semakin tinggi status ketertinggalan suatu daerah. Perubahan Peubah Infrastruktur Pengaruh perubahan peluang peubah infrastruktur terhadap perubahan persentase peubah status daerah dapat dilihat pada Gambar 33, 34, 35, dan 36. Peubah infrastruktur dalam struktur BN menjad i parent bagi peubah status daerah.
33, 34, 35, dan 36 memberikan kesimpulan bahwa semakin baik infrastrutur daerah maka semakin baik pula kondisi status daerah, demikian sebaliknya.
Gambar 33 Infrastruktur pada selang (-2.167; -0.828)
nilai
Efek Peubah Penjel as Perubahan persentase pada peubah status daerah ketika terjadi perubahan peluang setiap peubah penjelas telah diperlihatkan pada pembahasan diatas. Berikut disajikan Tabel 6 terkait besarnya pengaruh (efek) peubah penjelas terhadap status daerah dalam bentuk persentase. Tabel 6 Efek setiap peubah penjelas Peubah Efek Ekonomi 26.76% Infrastruktur 19.56% SDM 17.88% Aksesibilitas 16.07% Karakteristik Daerah 13.59% Kelembagaan Keuangan 6.14%
Gambar 34 Infrastruktur pada selang nilai (-0.827; -0.145)
Peubah penjelas yang paling besar pengaruhnya terhadap status daerah adalah peubah ekonomi (26.76%). Peubah selanjutnya adalah peubah Infrastruktur (19.56%) kemud ian berturut-turut peubah SDM (17.88%), karakteristik daerah (16.07%), aksesibilitas (13.59%), dan kelembagaan keuangan (6.14%). Analisis Perubahan Peubah Respon
Gambar 35 Infrastruktur pada selang nilai (-0.144; 0.323)
Gambar 36 Infrastruktur pada selang nilai (0.324; 0.967) Nilai hubungan kebebasan antara peubah infrastruktur dengan peubah status daerah pada Lampiran 5 disebutkan sebesar 175.39. Nilai in i menjelaskan bahwa hubungan kedua peubah ini adalah tidak saling bebas. Gambar
Perubahan persentase yang terjadi pada peubah status daerah disebabkan adanya perubahan peluang yang terjadi pada peubah penjelas. Kenyataannya setiap peubah penjelas tidaklah terjad i satu-persatu tetapi secara bersama-sama dalam mempengaruhi status daerah. Asumsi pembahasan terdahulu menganggap peubah penjelas selain yang ditelit i adalah kondisi tetap. Pembahasan berikut akan mempelajari kondisi peubah penjelas yang menyebabkan peubah status daerah pada kondisi tertentu. Berdasarkan teori klasifikasi bahwa pengambilan simpulan kondisi pada BN dengan melihat peluang (persentase) terbesar. Kondisi Status Daerah Maju Status daerah maju merupakan status ideal yang dicita-citakan o leh pemerintah Indonesia. Gambar 37 adalah kondisi peubah penjelas ketika peubah status daerah dalam kondisi maju. Data pada penelitian ini menyebutkan sebanyak 53,41 % daerah Indonesia adalah daerah maju.
kondisi SDM berada pada selang nilai (-0.847; -0.101), kondisi aksesibilitas berada pada selang nilai (-0.805; 0.041), kondisi karakteristik daerah pada selang nilai (-0.682; -0.003), kondisi infrastruktur pada kondisi selang nilai (-0.144; 0.323), dan kondisi kelembagan keuangan pada selang nilai (-0.007; 0.2007). Kondisi-kondisi tersebut adalah kondisi yang minimal untuk mencapai status daerah maju. Semakin kecil selang nilainya maka semakin baik peubah tersebut. Kondisi Status Daerah Agak Tertinggal Berikut adalah kondisi yang yang terjadi pada kondisi status daerah agak tertinggal. Kondisi status daerah agak tertinggal adalah satu tingkat diatas status daerah tertinggal. Sebanyak 19.35% status daerah Indonesia adalah agak tertinggal. Persentase tersebut merupakan persentase terbesar kedua setelah status daerah maju.
Gambar 37 Kondisi status daerah : maju Gambar 37 menunjukkan kondisi yang terjadi pada kondisi status daerah maju. Peubah ekonomi persentase terbesar (49,57%) pada kondisi selang nilai (-1.472; -0.513), artinya perekonomian dalam kondisi yang terbaik. Persentase terbesar peubah SDM dan karakteristik daerah juga dalam kondisi yang paling kecil (terbaik). Peubah SDM berada pada selang nilai (-0.847; -0.101) dengan persentase 56.90% sedangkan peubah karakteristik daerah pada selang nilai (-0.682; -0.003) dengan persentase 75.43%. Peubah aksesibilitas, infrastruktur dan kelembagaan keuangan meskipun persentase terbesar tidak berada pada nilai terkecil (tebaik), namun terjadi peningkatan persentase pada nilai terbaik. Peubah aksesibilitas terjadi peningkatan persentase sebesar 12.42% atau men jadi 24.65%. Peningkatan persentase pada peubah infrastruktur sebesar 6.39% sedangkan pada peubah kelembagaan keuangan peningkatan sebesar 1.07%. Kondisi ekonomi pada status daerah maju berada pada selang nilai (-1.472; -0.513),
Gambar 38 Kondisi status daerah : agak tertinggal
Gambar 38 memperlihatkan kondisi status daerah agak tertinggal. Kondisi status daerah seperti ini nilai peubah ekonomi terbesar berada pada selang nilai (-0.512; 0.283). Peubah SDM berada pada selang nilai (-0.100; 0.458), peubah aksesibilitas pada selang nilai (0.042; 1.020), peubah kelembagaan keuangan pada selang nilai (-0.007; 0.2007), peubah karakteristik daerah berada pada selang nilai (-0.682; -0.003), dan peubah infrastruktur pada selang nilai (-0.144; 0.323). Kondisi Status Daerah Terti nggal Berikut adalah kondisi yang yang terjadi pada kondisi status daerah tertinggal. Persentase daerah tertinggal adalah sebesar 13.82% dari seluruh Indonesia.
(0.042; 1.020). Persentase terbesar peubah kelembagaan keuangan pada nilai selang nilai (-0.007; 0.2007), peubah karakteristik daerah berada pada selang nilai (-0.682; -0.003) atau antara selang (-0.002; 0.766) (memiliki persentase yang sama), dan peubah infrastruktur pada selang nilai (0.324; 0.967). Kondisi Status Daerah Sangat Tertinggal Gambar 40 menunjukkan kondisi yang yang terjadi pada kondisi status daerah sangat tertinggal. Status daerah sangat tertinggal menggambarkan bahwa suatu daerah berada satu tingkat dibawah status daerah tertinggal. Indonesia memiliki sebanyak 10.83% status daerah sangat tertinggal.
Gambar 39 Kondisi status daerah : tertinggal
Gambar 40 Kondisi status daerah : sangat tertinggal
Gambar 39 memperlihatkan kondisi status daerah tertinggal. Pada kondisi status daerah seperti ini nilai peubah ekonomi terbesar berada pada selang nilai (0.282; 1.432). Peubah SDM berada pada selang nilai (-0.100; 0.458) dan peubah aksesibilitas pada selang
Kondisi peubah pada status daerah sangat tertinggal dapat dilihat pada Gambar 40. Gambar tersebut memberikan informasi bahwa pada kondisi status daerah sangat tertinggal peubah ekonomi memiliki persentase terbesar pada selang nilai (0.282;
1.432). Peubah kualitas SDM berada pada posisi nilai antara selang (-0.100; 0.458), peubah aksesibilitas berada pada posisi selang nilai (1.021; 3.825), peubah kelembagaan keuangan pada selang (-0.007; 0.2007), karakteristik daerah pada selang (-0.002; 0.766), dan peubah infrastruktur pada posisi nilai selang (0.324; 0.967) . Kondisi Status Daerah Sangat Parah Kondisi status daerah sangat parah merupakan status daerah yang paling buruk. Sebanyak 2.53% status daerah di Indonesia berada pada status sangat parah. Gambar 41 memperlihatkan kondisi yang terjadi pada status daerah sangat parah.
Gambar 41
Kondisi status daerah : sangat parah
Pada kondisi status daerah sangat parah, semua peubah penjelas berada pada nilai tertinggi (terburuk). Bah kan kondisi status daerah sangat parah persentase kondisi semua peubah penjelas dengan nilai terkecil (terbaik) adalah 0,00%, art inya tidak ada satupun dari
daerah yang memiliki kondisi ekonomi yang baik, aksesibilitas yang lancar, infrastruktur yang memadahi, dan kualitas SDM yang bagus. Selain itu ditunjang dengan tingkat efisiensi dari pengelola keuangan daerah yang buruk dan karakteristik daerah yang sering terjadi bencana ataupun konflik. Analisis Peubah Status Daerah Gambar 37, 38, 39, 40, dan 41 memberikan informasi tentang keadaan setiap kondisi pada peubah status daerah. Setiap kondisi memiliki ciri persentase yang berbeda pada peubah penjelas. Status daerah maju sangat berbeda kondisi persentase peubah penjelas dibandingkan dengan kondisi status daerah tertinggal, agak tertinggal, sangat tertinggal maupun sangat parah. Program pembangunan daerah tertinggal melalu i KNPDT tentang perbaikan status daerah harus memperhatikan setiap kondisi tersebut sebagai usaha dalam men ingkatkan status daerah men jadi status daerah yang lebih baik. Perbaikan sektor ekonomi merupakan hal yang perlu diperhatikan pemerintah dalam men ingkatkan status daerah. Hal in i karena peubah ekonomi merupakan peubah yang paling berpengaruh dalam peningkatan status daerah. Pengentasan angka kemiskinan dan penumbuhan lapangan pekerjaan merupakan hal yang harus diperhatikan dalam men ingkatkan peubah ekonomi. Peubah SDM dan infrastruktur merupakan peubah yang perlu diprioritaskan juga dalam men ingkatkan status daerah selain peubah ekonomi. Peubah SDM mencakup perbaikan dalam pendidikan dan kesehatan sedangkan peubah infrastruktur mencakup perbaikan sarana dan prasarana. Daerah dengan status sangat parah selain peubah ekonomi dan peubah SDM, peubah infrastruktur dan karakteristik daerah perlu mendapatkan perhatian pembangunan, sedangkan peubah kelembagaan keuangan belum men jadi prioritas pembangunan. Status daerah agak tertinggal dan tertinggal secara umu m cukup memprioritaskan pada pembangunan peubah ekonomi dan SDM. Pembangunan daerah dengan status sangat tertinggal prioritas utama pada peubah ekonomi, SDM dan infrastruktur. Penerapan Penetapan Status Daerah Tertinggal pada Kabupaten Rembang Deskripsi Daerah Kabupaten Rembang terletak di sepanjang pantai utara Pulau Jawa. Secara ad ministratif Kabupaten Rembang masuk Propinsi Jawa Tengah. Sebelah timur Kabupaten Rembang
berbatasan dengan Jawa Timu r, sebelah utara dengan Laut Jawa, sebelah selatan dengan Kabupaten Blora dan sebelah barat dengan kabupaten Pati. Kabupaten Rembang memiliki 14 Kecamatan dan 294 desa. Kondisi Kriteria Utama KNPDT Kondisi nilai kriteria utama Kabupaten Rembang setelah distandarisasi menurut KNPDT, terdapat dalam Tabel 7.
2.
3.
4. Tabel 7
Nilai kriteria utama Kabupaten Rembang Peubah Nilai Ekonomi 0.9025 SDM -0.0760 Infrastruktur -0.3505 Kelembagaan Keuangan 0.1050 Aksesibilitas -0.5572 Karakteristik Daerah -0.1463
Hasil Kl asifikasi Perhitungan KNPDT menetapkan Kabupaten Rembang termasuk daerah agak tertinggal. Sedangkan dengan menggunakan klasifikasi dari ketiga algorit ma BN didapatkan hasil yang disajikan pada Tabel 8, sedangkan untuk lebih rinci dapat dibuka Lamp iran 6. Tabel 8 Hasil klasifikasi Kabupaten Rembang Algoritma KNPDT Naive Bayes Maximum Spanning Tree Equivalence Classes
Hasil Klasifikasi Agak Tertinggal Agak Tertinggal
% 46.39
M aju
31.15
Agak Tertinggal
44.17
Klasifikasi dari maximum spanning tree memberikan hasil yang berbeda diantara hasil klasifikasi yang lainnya. Equivalence classes dan naive bayes mengklasifikasikan Kabupaten Rembang dengan hasil yang sama dengan hasil dari KNPDT akan tetapi berbeda persentase peluangnya. Meningkatkan Status Daerah Tabel 8 memberikan informasi bahwa Kabupaten Rembang berdasarkan KNPDT masuk dalam kategori status daerah agak tertinggal. Berdasarkan hasil pada Lamp iran 6 dan Gambar 37, untuk meningkatkan status daerah Kabupaten Rembang men jadi kategori maju maka perlu diperhatikan hal-hal berikut : 1. Prioritas pembangunan yang harus dilakukan oleh Kabupaten Rembang agar men jadi status daerah maju adalah dalam bidang perekonomian. Pengentasan
5.
6.
masyarakat dari kemiskinan dan menciptakan lapangan pekerjaan. Kondisi SDM sudah sesuai dengan kriteria yang ditetapkan KNPDT untuk menjad i daerah maju. Sebagian besar warga tidak buta huruf dan memiliki tingkat kesehatan yang baik. Aksesibilitas daerah Kabupaten Rembang sudah cukup baik dan sesuai dengan kriteria daerah maju KNPDT. Karakteristik daerah sangat baik, yaitu jarang terjad i bencana alam dan konflik horisontal masyarakatnya. Infratruktur sudah melebih i batas min imal yang ditentukan KNPDT, sehingga tidak perlu dijadikan prioritas pembangunan. Selisih antara anggaran belanja dengan penerimaan daerah masih cukup jauh, sehingga anggaran Kabupaten Rembang penggunaannya tidak efisien. Perlu sebuah perhatian yang lebih dalam penentuan APBD agar penyerapan anggaran daerah lebih efektif dan efisien. SIMPULAN
Pendekatan BN dalam analisis penetapan daerah tertinggal dapat menggambarkan hubungan antara status daerah dengan peubah penjelas. Peubah-peubah digambarkan sebagai sebuah node yang kemudian membentuk sebuah jaringan hubungan sebab-akibat. Setiap peubah dapat langsung diketahui pengaruh terhadap peubah yang lain melalu i gambar struktur BN yang terbentuk. Berdasarkan tingkat kesesuaian , algorit ma equivalence classes merupakan algorit ma yang paling sesuai untuk men jelaskan penetapan status daerah berdasarkan hasil dari KNPDT. Sedangkan menurut teori, algorit ma maximum spanning tree merupakan algorit ma yang paling sesuai dalam klasifikasi karena mempertimbangkan nilai korelasi semua peubah. Analisis perubahan peluang dan nilai khikuadrat dari setiap peubah penjelas terhadap peubah respon menunjukkan bahwa peubah ekonomi merupakan peubah yang memiliki pengaruh paling kuat daripada peubah lainnya. Peubah kelembagaan keuangan memiliki pengaruh paling lemah diantara peubah yang lain. Secara berurutan pengaruh peubah terkuat hingga terlemah adalah peubah ekonomi, infrastruktur, SDM, karakterit ik daerah, aksesibilitas, dan kelembagaan keuangan. Analisis perubahan pada peubah respon memperlihatkan secara u mu m dalam men ingkatkan status daerah menjadi daerah
