UNIVERSITAS INDONESIA

UNIVERSITAS INDONESIA

ANALISIS PERUBAHAN CLUSTER KABUPATEN/KOTA DI INDONESIA BERDASARKAN INDIKATOR KESEJAHTERAAN RAKYAT BADAN PUSAT STATISTIK MENGGUNAKAN SELF-ORGANIZING MAPS

KARYA AKHIR

MILLATI INDAH 1406596555

FAKULTAS ILMU KOMPUTER PROGRAM STUDI MAGISTER TEKNOLOGI INFORMASI JAKARTA JANUARI 2016

Analisis perubahan ..., Millati Indah, Fasilkom UI, 2016

UNIVERSITAS INDONESIA

ANALISIS PERUBAHAN CLUSTER KABUPATEN/KOTA DI INDONESIA BERDASARKAN INDIKATOR KESEJAHTERAAN RAKYAT BADAN PUSAT STATISTIK MENGGUNAKAN SELF-ORGANIZING MAPS

KARYA AKHIR Diajukan sebagai satu syarat untuk memperoleh gelar Magister Teknologi Informasi

MILLATI INDAH 1406596555

FAKULTAS ILMU KOMPUTER PROGRAM STUDI MAGISTER TEKNOLOGI INFORMASI JAKARTA JANUARI 2016


HALAMAN PERNYATAAN ORISINALITAS

Karya Akhir ini adalah hasil karya saya sendiri, dan semua sumber baik yang dikutip maupun dirujuk telah saya nyatakan dengan benar.

Nama

:

Millati Indah

NPM

:

1406596555

Tanda Tangan

:

Tanggal

:

Januari 2016

ii


HALAMAN PENGESAHAN

iii


KATA PENGANTAR

Assalamu‟alaikum Wr. Wb.

Segala puji dan syukur penulis ucapkan ke hadirat Allah SWT yang telah melimpahkan rahmat-Nya sehingga penulis dapat menyelesaikan karya akhir yang berjudul “Analisis Perubahan Cluster Kabupaten/Kota di Indonesia menurut Indikator Kesejahteraan Rakyat Badan Pusat Statistik menggunakan Selforganizing Maps”. Karya akhir ini disusun sebagai salah satu persyaratan meraih gelar Magister Teknologi Informasi pada Program Studi Magister Teknologi Informasi, Fakultas Ilmu Komputer – Universitas Indonesia. Penulis menyadari bahwa penulis mendapat bantuan dan bimbingan berbagai pihak. Untuk itu pada kesempatan ini penulis ingin menyampaikan terima kasih kepada 1. Bapak Denny, S.Kom, M.IT, Ph.D. selaku dosen pembimbing atas bimbingan dan arahannya; 2. Bapak Dr. Achmad Nizar Hidayanto S.Kom., M.Kom dan Bapak Rizal Fathoni Aji S.Kom., M.Kom selaku dosen penguji; 3. Seluruh dosen dan karyawan Magister Teknologi Informasi, Fakultas Ilmu Komputer – Universitas Indonesia; 4. Ibu, Abah, dan keluarga yang selalu memberikan doa dan dukungan; 5. Eny, Ndaru, Dini, Mas Satrio, Mbak Yiyin, dan Mas Mardi atas bantuannya; 6. Teman-teman MTI-2014SA untuk kehebohan selama tiga semester; 7. Kementrian Kominfo

yang telah memberikan kesempatan untuk

mendapatkan beasiswa; 8. Badan Pusat Statistik selaku penyedia data; 9. Pak Anjas, Bu Dewi, Mbak Febri, dan seluruh karyawan Magister Teknologi Informasi, Fakultas Ilmu Komputer – Universitas Indonesia; 10. Semua pihak yang tidak dapat disebutkan namanya satu persatu.

iv


Penulis menyadari keterbatasan dan kekurangan dari isi maupun tulisan karya akhir ini. Semoga hasil penelitian ini dapat memberikan manfaat dan kontribusi bagi pengembangan ilmu pengetahuan di masa depan. Wassalamu‟alaikum Wr. Wb.

Jakarta,

Januari 2016

Penulis

v


HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI KARYA AKHIR UNTUK KEPENTINGAN AKADEMIS

Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda tangan di bawah ini :

Nama

:

Millati Indah

NPM

:

1406596555

Program Studi

:

Magister Teknologi Informasi

Departemen

:

-

Fakultas

:

Ilmu Komputer

Jenis Karya

:

Karya Akhir

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Indonesia Hak Bebas Royalti Nonekslusif (Non-exclusive RoyaltyFree Right) atas karya ilmiah saya yang berjudul : “Analisis Perubahan Cluster Kabupaten/Kota di Indonesia menurut Indikator Kesejahteraan Rakyat Badan Pusat Statistik menggunakan Self-organizing Maps “ Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Nonekslusif ini Universitas Indonesia berhak menyimpan, mengalihmedia/formatkan, mengelola dalam bentuk pangkalan data (database). Merawat dan mempublikasikan karya akhir saya tanpa meminta izin dari saya selama tetao mencantumkan saya sebagai penulis/pencipta dan sebagai pemilik Hak Cipta. Demikian pernyataan ini saya buat dengan sebenarnya. Dibuat di Pada tanggal

: Jakarta : Januari 2016

Yang menyatakan

(Millati Indah)

vi


ABSTRAK

Nama Program Studi Judul

: Millati Indah : Magister Teknologi Informasi : Analisis Perubahan Cluster Kabupaten/Kota di Indonesia menurut Indikator Kesejahteraan Rakyat Badan Pusat Statistik menggunakan Selforganizing Maps

Salah satu misi pembangunan adalah mewujudkan kualitas hidup manusia Indonesia yang tinggi, maju, dan sejahtera, dengan salah satu agenda prioritasnya meningkatkan kualitas hidup manusia Indonesia. Untuk mengevaluasi terlaksananya misi dan agenda prioritas tersebut diperlukan indikator yang terukur. Hasil evaluasi tersebut dapat dijadikan pertimbangan dalam membuat kebijakan untuk memperbaiki tingkat kesejahteraan. Salah satu pengukuran yang dapat digunakan adalah Indikator Kesejahteraan Rakyat (Inkesra) yang disusun Badan Pusat Statistik (BPS) yang diolah dari data Survei Sosial Ekonomi Nasional (SUSENAS). Indikator ini mengukur kesejahteraan dengan menggunakan pendekatan kebutuhan dasar (basic needs). Untuk mengukur perubahan tingkat kesejahteraan kabupaten/kota, perlu dilakukan analisis perpindahan cluster dari periode ke periode. Salah satu metode yang dapat digunakan untuk melakukan clustering adalah Self-organizing Maps (SOM). Hasil clustering dengan SOM kemudian dapat dianalisis menggunakan Relative Density Self-Organizing Maps (ReDSOM). Variabel yang digunakan pada penelitian ini sebanyak 22 variabel dengan jumlah record 497 kabupaten/kota. Data yang dibandingkan adalah data tahun 2011 dan 2014. Dari hasil penelitian ini terdapat enam cluster pada tahun 2011 dan tujuh cluster pada tahun 2014. Variabel yang berubah secara signifikan pada sebagian besar perpindahan cluster adalah Angka Partisipasi Sekolah. Kata Kunci: cluster, kesejahteraan, indikator, self-organizing maps, BPS

vii

Universitas Indonesia


ABSTRACT

Name Study Program Title

: Millati Indah : Magister Teknologi Informasi : Analysis of Cluster Change of Regency/Municipality in Indonesia based on Welfare Indicator Badan Pusat Statistik using Self-organizing Maps

One of the development goal is to improve Indonesian people‟s quality of life including welfare. A measurable indicator is needed to evaluate the realisation of the goal. The evaluation results can be used to make beter policy to improve welfare. In Indonesia we can use Welfare Indicator (Indikator Kesejahteraan Rakyat/Inkesra) to measure welfare. This indicator is based on basic needs. This indicator is processed from SUSENAS. To measure welfare improvement, we need to analyze cluster change over periods. A method that can be used clustering is Self-organizing Maps (SOM). Based on clustering result of data from different period, we can analyze cluster change. This research used 22 variables and 497 records. The result of this research is regencies/municipalities in 2011 can be divided into six clusters and seven clusters in 2014. Variable that changed significantly in most of migrated clusters is School Participation. Keyword: cluster, welfare, indicator, self-organizing maps, BPS

viii



DAFTAR ISI

HALAMAN JUDUL ................................................................................................ .. i HALAMAN PERNYATAAN ORISINALITAS ...................................................... ii HALAMAN PENGESAHAN .................................................................................... iii KATA PENGANTAR ................................................................................................ iv HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI KARYA AKHIR UNTUK KEPENTINGAN AKADEMIS ................................................... vi ABSTRAK ................................................................................................................. vii ABSTRACT .............................................................................................................. viii DAFTAR ISI ............................................................................................................... ix DAFTAR GAMBAR .................................................................................................. xi DAFTAR TABEL ..................................................................................................... xii DAFTAR SINGKATAN .......................................................................................... xiii BAB 1 PENDAHULUAN .......................................................................................... 1 1.1

Latar Belakang .................................................................................................. 1

1.2

Perumusan Masalah........................................................................................... 2

1.3

Tujuan Penelitian............................................................................................... 3

1.4

Ruang Lingkup Penelitian ................................................................................. 3

1.5

Sistematika penulisan ........................................................................................ 3

BAB 2 TINJAUAN PUSTAKA ................................................................................. 5 2.1

Tinjauan Pustaka ............................................................................................... 5

2.1.1 Data Mining ...................................................................................................... 5 2.1.2 Clustering .......................................................................................................... 5 2.1.3. Self-organizing Maps ........................................................................................ 7 2.1.4. Kesejahteraan .................................................................................................... 7 2.1.5. Pengukuran Kesejahteraan ................................................................................ 8 2.2

Penelitian terdahulu ........................................................................................... 9

2.2.1. Kohonen Self-Organizing Maps as a Tool for Assessing Progress toward the UN Millennium Development Goals (Deichmann, Haughton, Malgwi, dan Soremekun, 2013)....................................................................................... 9 2.2.2. Visual Tracking of the Millennium Development Goals with a SelfOrganizing Neural Network (Sarlin, 2011) ..................................................... 10 2.2.3. Neighborhoods in Development: Human Development Index and Selforganizing Maps (Rande dan Dondurat, 2011 ................................................ 11 ix



2.2.4. Living Standards of Vietnamese Provinces: a Kohonen Map (Nguyen, Haughton, dan Hudson, 2014)......................................................................... 11 BAB 3 METODOLOGI PENELITIAN ................................................................. 20 3.1

Metodologi penelitian ..................................................................................... 20

3.2

Tahapan penelitian .......................................................................................... 20

BAB 4 IMPLEMENTASI......................................................................................... 23 4.1.

Data Preprocessing ......................................................................................... 23

4.1.1. Feature Selection............................................................................................. 23 4.1.2. Normalisasi...................................................................................................... 25 4.2.

Modelling ........................................................................................................ 27

4.2.1. Modelling Dataset Tahun 2011 ....................................................................... 27 4.2.2. Modelling Dataset Tahun 2014 ....................................................................... 28 BAB 5 HASIL DAN PEMBAHASAN ..................................................................... 31 5.1. Pembahasan Hasil Analisis Cluster .................................................................... 31 5.1.1 Analisis Cluster Tahun 2011 ............................................................................ 31 5.1.2 Analisis Cluster Tahun 2014 ............................................................................ 38 5.2. Pembahasan Analisis Hasil Perubahan Cluster .................................................. 46 5.3 Rekomendasi........................................................................................................ 52 BAB 6 PENUTUP...................................................................................................... 54 6.1. Kesimpulan ......................................................................................................... 54 6.2. Saran .................................................................................................................. 55 DAFTAR PUSTAKA ................................................................................................ 56 Lampiran 1: Daftar variabel awal .............................................................................. 59

x



DAFTAR GAMBAR Gambar 2.1 Theoretical Framework ..................................................................... 18 Gambar 3.1. Langkah-langkah penelitian ............................................................. 22 Gambar 4.1 Korelasi Pearson................................................................................ 24 Gambar 4.2. Davies Bouldin Index Data Tahun 2011 .......................................... 28 Gambar 4.3 Hasil Clustering Dataset Tahun 2011 ............................................... 28 Gambar 4.4. Davies-Bouldien Index Dataset Tahun 2014 ................................... 29 Gambar 4.5 Hasil Clustering Dataset Tahun 2014 ............................................... 30 Gambar 5.1. Sebaran Geografis Cluster Kabupaten/Kota 2011 ........................... 32 Gambar 5.2. Variabel Pembeda Data 2011 C0 ..................................................... 33 Gambar 5.3. Variabel Pembeda Data 2011 C1 ..................................................... 34 Gambar 5.4. Variabel Pembeda Data 2011 C2 ..................................................... 35 Gambar 5.5 Variabel Pembeda Data 2011 C3 ...................................................... 35 Gambar 5.6 Variabel Pembeda Data 2011 C4 ...................................................... 36 Gambar 5.7 Variabel Pembeda Data 2011 C5 ...................................................... 37 Gambar 5.8. Sebaran Geografis Cluster Kabupaten/Kota 2014 ........................... 39 Gambar 5.9. Variabel Pembeda Data 2014 C0 ..................................................... 40 Gambar 5.10 Variabel Pembeda Data 2014 C1 .................................................... 41 Gambar 5.11 Variabel Pembeda Data 2014 C2 .................................................... 42 Gambar 5.12 Variabel Pembeda Data 2014 C3 .................................................... 43 Gambar 5.13 Variabel Pembeda Data 2014 C4 .................................................... 43 Gambar 5.14 Variabel Pembeda Data 2014 C5 .................................................... 44 Gambar 5.15 Variabel Pembeda Data 2014 C6 .................................................... 45 Gambar 5.16 Perubahan Cluster 2011 dan 2014 .................................................. 46 Gambar 5.17 Relative Density Cluster 2011 dan 2014 ........................................ 47 Gambar 5.18 Perpindahan Cluster ........................................................................ 47 Gambar 5.19 Perubahan Sebaran Geografis Cluster 2011 dan 2014 .................... 52

xi



DAFTAR TABEL Tabel 2.1 Perbandingan Penulisan Sebelumnya ................................................... 13 Tabel 2.2 Perbandingan variabel penelitian sebelumnya ...................................... 14 Tabel 4.1. Daftar Variabel Terpilih ....................................................................... 24 Tabel 4.1. Daftar Variabel Terpilih (sambungan) ................................................. 25 Tabel 4.2 Contoh Data yang Belum Dinormalisasi .............................................. 26 Tabel 4.3 Normalisasi Variabel ............................................................................ 26 Tabel 4.3. Parameter Pelatihan SOM .................................................................... 27 Tabel 4.4. Parameter Pelatihan SOM .................................................................... 29 Tabel 5.1 Perubahan Struktur Cluster Tahun 2011 (T1) dan 2014 (T2)............... 46

xii



DAFTAR SINGKATAN

Singkatan

Keterangan

BPS

Badan Pusat Statistik

INKESRA

Indeks Kesejahteraan Rakyat

SUSENAS

Survei Sosial Ekonomi Nasional

APS

Angka Partisipasi Sekolah

APM

Angka Partisipasi Murni

APK

Angka Partisipasi Kasar

RLS

Rata-rata Lama Sekolah

AMH

Angka Melek Huruf

DBI

Davies-Bouldin Index

SOM

Self-Organizing Maps

RPJMN

Rencana Pembangunan Jangka Menengah Nasional

xiii



BAB 1 PENDAHULUAN

1.1

Latar Belakang

Salah satu misi pembangunan adalah mewujudkan kualitas hidup manusia Indonesia yang tinggi, maju, dan sejahtera, dengan salah satu agenda prioritasnya meningkatkan kualitas hidup manusia Indonesia (RPJMN, 2015). Untuk mengevaluasi terlaksananya misi dan agenda prioritas tersebut diperlukan indikator yang terukur. Hasil evaluasi tersebut dapat dijadikan pertimbangan dalam membuat kebijakan untuk memperbaiki tingkat kesejahteraan. Pengukuran kesejahteraan ini merupakan pengukuran multidimensi karena mencakup beberapa dimensi, misalnya ekonomi, sosial, demografi, perumahan, dan sebagainya. Pengukuran kesejahteraan ini mencakup kesejahteraan individu dan kesejahteraan masyarakat (kolektif). Penggunaan beberapa dimensi membuat pengukuran ini termasuk pengukuran komposit. Ada beberapa pengukuran yang digunakan untuk mengukur kesejahteraan. Salah satu pengukuran yang dapat digunakan adalah framework Society Progress yang diusulkan OECD. Framework ini terbagi dalam beberapa dimensi dan masingmasing dimensi diukur dengan beberapa indikator. Pengukuran lain yang dapat digunakan adalah Sustainable Development Goals (SDG). Pengukuran lainnya adalah Indikator Kesejahteraan Rakyat (Inkesra) yang disusun Badan Pusat Statistik. Indikator ini mengukur kesejahteraan dengan menggunakan pendekatan kebutuhan dasar (basic needs). Aspek yang dicakup dalam indikator ini antara lain demografi, kesehatan, pendidikan, ketenagakerjaan, sosial-budaya, fertilitas dan KB, perjalanan, kriminalitas, perumahan, dan konsumsi/pengeluaran. Indikator ini dapat disajikan sampai level kabupaten/kota. Pengukuran kesejahteraan dapat digunakan untuk mengevaluasi keberhasilan pembangunan di tingkat daerah. Namun, diperlukan analisis lebih lanjut terhadap

1



2

hasil pengukuran tersebut. Pengukuran kesejahteraan merupakan pengukuran multidimensi yang menggunakan banyak indikator. Oleh karena itu analisis yang dapat digunakan salah satunya adalah analisis cluster (Benini, 2012). Dengan mengelompokkan daerah ke dalam beberapa cluster dan mengetahui karakteristik masing-masing cluster, rencana pembangunan dapat disesuaikan dengan kebutuhan masing-masing cluster tersebut. Dengan menganalisis perpindahan cluster dapat diketahui suatu daerah semakin meningkat atau justru menurun kesejahteraannya. 1.2

Perumusan Masalah

Clustering terhadap kabupaten kota di Indonesia sudah pernah dilakukan oleh Agus Widodo dan Purhadi (2012) dengan menggunakan metode Fuzzy C-Means Clustering dan Fuzzy C-Shell Clustering. Namun, indikator yang digunakan masih terbatas pada indikator Indeks Pembangunan Manusia (IPM). Penelitian tersebut juga hanya meneliti data pada tahun 2008 sehingga belum meneliti perpindahan cluster. Penelitian lainnya dilakukan oleh Dessy Setiyani dan Fajriya Hakim pada tahun 2015. Pada penelitian tersebut dilakukan pengelompokan provinsi menurut Indikator Pembangunan Berkelanjutan (SDG). Penelitian tersebut menggunakan metode Self-organizing Maps (SOM) sehingga dapat dilakukan visualisasi hasil clustering. Namun, belum semua variabel pada SDG digunakan dalam penelitian ini. Penelitian ini juga hanya mengamati data pada satu tahun yaitu tahun 2013. Dari hasil penelitian tersebut, algoritma SOM sesuai untuk segmentasi indikator SDG di Indonesia. Akan tetapi, masih perlu indikator lain untuk lebih menggambarkan pembangunan di Indonesia. Selain masih perlu menambah indikator, penelitian juga perlu dikembangkan dengan melakukan perbandingan antartahun atau antarperiode agar dapat memotret objek yang mengalami perpindahan cluster. Selain itu, daerah penelitian juga perlu diperinci sampai level kabupaten/kota agar dapat dijadikan pertimbangan dalam pembuatan kebijakan di level tersebut. Di samping itu, perlu diteliti variabel yang paling berpengaruh terhadap perpindahan cluster (variabel diskriminatif) agar kebijakan yang dibuat dapat fokus pada variabel diskriminatif.



3

Dari masalah tersebut, pertanyaan penelitian yang diajukan adalah sebagai berikut: “Bagaimanakah karakteristik dan perubahan cluster untuk mengukur perubahan kesejahteraan kabupaten/kota di Indonesia dari periode ke periode?” 1.3

Tujuan Penelitian

Penelitian ini bertujuan untuk menganalisis perkembangan kesejahteraan daerah di

Indonesia

dengan

menganalisis

perubahan

cluster

kabupaten/kota

menggunakan SOM. Penelitian ini juga diharapkan mampu memberikan kontribusi untuk melengkapi penelitian sejenis dan dapat menjadi acuan apabila ingin melakukan penelitian. 1.4

Ruang Lingkup Penelitian

Ruang lingkup penelitian ini adalah sebagai berikut: 1.

Penelitian ini dibatasi pada data Indikator Kesejahteraan Rakyat di tingkat kabupaten

2.

Data penelitian ini dibatasi pada tahun 2011-2014.

1.5

Sistematika penulisan

Sistematika penulisan karya akhir adalah sebagai berikut: BAB 2 :

Tinjauan Pustaka Bab ini membahas teori-teori pendukung penelitian, hasil-hasil penelitian sebelumnya, dan teori lainnya

BAB 3 :

Metodologi Penelitian Bab ini menguraikan langkah-langkah penelitian yang dimulai dari masukan, proses, hingga keluaran yang diharapkan

BAB 4 :

Implementasi Menjelaskan implementasi dari tahap-tahap penelitian sesuai metodologi Universitas Indonesia


4

BAB 5 :

Hasil dan Pembahasan Menjelaskan hasil penelitian dan analisis

BAB 6 :

Penutup Berisi kesimpulan yang merupakan evaluasi dari seluruh isi penelitian ini, serta saran untuk pengembangan lebih lanjut.



BAB 2 TINJAUAN PUSTAKA

Pada bab ini dijelaskan mengenai pengertian data mining, clustering, dan selforganizing maps. Pada bab ini juga dijelaskan mengenai kesejahteraan dan pengukurannya. Selain itu, pada bab ini juga dijelaskan penelitian-penelitian sejenis yang pernah dilakukan, variabel yang digunakan, dan hasilnya. 2.1 2.1.1

Tinjauan Pustaka Data Mining

Menurut Han dan Kamber (2006) istilah data mining mengacu pada kegiatan mengekstrak atau “menambang” pengetahuan (knowledge) yang menarik dari data dalam jumlah besar yang tersimpan di database, data warehouse, atau media penyimpanan

informasi

lainnya.

Turban,

Sharda,

dan

Delen

(2011)

mendefinisikan data mining sebagai proses yang menggunakan teknik statistik, matematika, dan kecerdasan buatan (artificial intelligence) untuk mengekstrak dan mengidentifikasi informasi yang berguna dan pengetahuan (atau pola) yang lebih jauh dari sekumpulan data yang berukuran besar. Adapun Hand, Mannila, dan Smyth (2001) mendefinisikan data mining sebagai analisis terhadap data penelitian (yang seringnya berukuran besar) untuk memperoleh hubungan yang belum diketahui (unsuspected relationships) dan untuk merangkum data dalam cara yang baru (novel) yang dapat dipahami dan berguna bagi pemilik data. Dari ketiga pengertian tersebut dapat disimpulkan bahwa data mining adalah proses atau kegiatan mengekstrak pengetahuan (atau pola) atau memperoleh hubungan yang belum diketahui (unsuspected relationships) yang berguna dari kumpulan data yang berukuran besar dengan mengunakan teknik statistik, matematika, dan kecerdasan buatan. 2.1.2

Clustering

Salah satu fungsi data mining adalah cluster analysis atau clustering. Larose (2005) mendefinisikan clustering sebagai pengelompokan record, observasi, atau 5



6

kasus-kasus ke dalam kelas-kelas yang terdiri atas objek yang mirip. Sebuah cluster merupakan sekumpulan record yang mirip satu sama lain dan berbeda dengan record pada cluster lain. Sebuah cluster juga dapat dianggap sekumpulan objek data yang mirip satu sama lain dan berbeda dengan objek pada cluster lain serta dapat diperlakukan secara kolektif sebagai satu kelompok sehingga dapat dianggap sebagai bentuk kompresi data (Han dan Kamber, 2006). Algoritma clustering menurut Larose (2005) ada dua yaitu hirarkis dan nonhirarkis. Clustering hirarkis

membentuk struktur cluster seperti pohon

(dendogram) melalui partisi rekursif (divisive) atau penggabungan beberapa cluster yang sudah ada (agglomerative). Metode agglomerative dimulai dengan menjadikan masing-masing objek sebagai cluster tersendiri. Kemudian, dua cluster terdekat digabungkan menjadi satu cluster. Tahap penggabungan ini terus berulang sampai diperoleh jumlah atau struktur cluster sesuai yang diharapkan. Metode divisive diawali dengan menjadikan semua objek dalam satu cluster kemudian objek yang paling berbeda dipisahkan menjadi cluster tersendiri. Tahap ini berulang sampai masing-masing objek merepresentasikan cluster-nya. Tahapan clustering menurut Gan dkk (2007) dapat dilakukan dengan beberapa proses: a. Representasi data, yaitu penentuan awal struktur cluster yang dapat ditemukan pada data. b. Pemodelan, yaitu pendefinisian tujuan clustering dan kriteria yang membedakan struktur cluster yang diinginkan dengan yang tidak diinginkan atas dasar representasi data. c. Optimasi, bertujuan untuk mengoptimalkan ukuran kualitas pada saat penelusuran struktur yang tersembunyi dalam data yang dihasilkan saat tahap pemodelan. d. Validasi, yaitu melakukan validasi hasil clustering dengan beberapa ukuran validasi.



7

2.1.3. Self-organizing Maps Menurut Haykin (1999) self-organizing maps (SOM) merupakan salah satu kelas artificial neural network yang berdasarkan pada competitive learning. Tujuan utama SOM adalah untuk mentransformasi sebuah pola sinyal masuk dari dimensi yang tidak tentu menjadi sebuah peta diskrit dengan satu atau dua dimensi dan menerapkan transformasi tersebut secara adaptif dengan metode yang teratur. Ini senada dengan definisi oleh Turban (2011) menyebutkan bahwa SOM menyediakan cara untuk menggambarkan data multidimensi dalam dimensi yang lebih sedikit, biasanya satu atau dua dimensi. Proses pengurangan dimensi ini pada dasarnya merupakan teknik kompresi data dan dikenal sebagai vector quantisation. 2.1.4. Kesejahteraan Menurut Greve (2008) kesejahteraan (welfare) adalah akses tertinggi terhadap sumber daya ekonomi, tingkat kebahagiaan yang tinggi, dan pendapatan minimum yang terjamin untuk terhindar dari kemiskinan, dan akhirnya memastikan seseorang memiliki kehidupan yang baik. Berdasarkan definisi tersebut, ada beberapa elemen yang perlu diikutkan dalam mengukur kesejahteraan, yaitu: 1. Level makro: Produk Domestik Bruto dan pengeluaran sosial 2. Level mikro: tingkat kebahagiaan dan tingkat kemiskinan. Adapun menurut (Esping-Andersen, 2000) masing-masing negara memiliki perspektif yang berbeda mengenai kriteria kesejahteraan, baik tujuan-tujuan yang perlu dipenuhi untuk mencapai kesejahteraan, sistem yang dibangun, dan kebijakan untuk memenuhi tujuan tersebut. Masing-masing perspektif tersebut berdasarkan pendekatan teoritis yang spesifik terhadap kesejahteraan. Ada tiga pendekatan yaitu pendekatan risiko, pendekatan sumber daya dan kebutuhan dasar, serta Pendekatan pertama dan paling umum adalah pemikiran mengenai kebijakan sosial yang didasarkan pada penghitungan risiko. Setiap risiko diidentifikasikan sebagai kasus terpisah. Pendekatan ini cenderung memandang isu-isu kesejahteraan secara terpisah dan mendorong penggunaan indikatorUniversitas Indonesia


8

indikator seperti angka kemiskinan, lamanya sekolah, angka kematian, atau tingkat pengangguran. Pendekatan kedua adalah pendekatan kebutuhan dasar. Pendekatan ini memastikan individu dapat memobilisasi sumber daya pada saat dibutuhkan. Dengan kata lain pendekatan ini memastikan masyarakat untuk memaksimalkan potensinya. Pendekatan ketiga berkonsentrasi pada pemenuhan kebutuhan dasar (basic needs). 2.1.5. Pengukuran Kesejahteraan Pengukuran kesejahteraan yang sering dilakukan adalah menggunakan indikator Millenium Development Goals (MDG) yang sejak tahun 2015 disebut Sustainable Development Goals. Pada pengukuran ini digunakan 109 indikator utama dan 111 indikator tambahan. Namun, sebagian indikator yang digunakan hanya dapat disajikan pada tingkat nasional atau provinsi. OECD (2010) mengusulkan sebuah framework dalam mengukur kemajuan masyarakat yang mencakup kesejahteraan individu, kesejahteraan masyarakat dan indikator yang memengaruhi kedua hal tersebut secara tidak langsung. Dalam framework tersebut ada dua tujuan, yaitu tujuan akhir (final goal) yang didekati dengan indikator-indikator outcome dan tujuan antara (intermediate goal) yang didekati dengan indikator-indikator input. Tujuan akhir terdiri atas kondisi ekosistem dan kesejahteraan manusia. Kondisi ekosistem didekati dengan indikator kondisi tanah (geosphere), perairan (hydrosphere), biodiversity, dan udara. Kesejahteraan

manusia didekati dengan indikator kesehatan fisik dan

mental, pengetahuan, pekerjaan, kesejahteraan material, kebebasan, hubungan interpersonal. Tujuan antara terdiri atas ekonomi, pemerintahan, dan kebudayaan. Ekonomi didekati dengan indikator pendapatan nasional dan kekayaan nasional. Pemerintahan didekati dengan indikator HAM, keterlibatan politik, keamanan dan kekerasan, kepercayaan, serta akses terhadap layanan. Kebudayaan didekati dengan indikator warisan budaya, seni, dan hobi. Pengukuran kesejahteraan lainnya adalah dengan Indikator Kesejahteraan Rakyat dari data Susenas. Menurut (Aryoga, 2009) data Susenas mencakup berbagai aspek kesejahteraan rumah tangga antara lain: demografi, kesehatan, pendidikan, Universitas Indonesia


9

ketenagakerjaan, sosial-budaya, fertilitas dan KB, perjalanan, kriminalitas, perumahan, dan konsumsi/pengeluaran. Data pengukuran Inkesra ini tersedia hingga tingkat kabupaten/kota sehingga dapat digunakan untuk clustering kabupaten/kota. 2.2

Penelitian terdahulu

Ada beberapa penelitian sejenis yang juga berkaitan dengan kesejahteraan dan analisis cluster dengan Self-Organizing Maps. 2.2.1. Kohonen Self-Organizing Maps as a Tool for Assessing Progress toward the UN Millennium Development Goals (Deichmann, Haughton, Malgwi, dan Soremekun, 2013) Penelitian ini menggunakan SOM untuk menganalisis data MDG pada tiga wilayah: Afrika, Asia, dan Amerika Latin. Data yang digunakan adalah data tahun 2000-2008, yang dibagi menjadi tiga periode, yaitu: 2000-2002, 2003-2005, dan 2006-2008. Variabel yang digunakan sebanyak 20 variabel. Variabel yang digunakan tersebut adalah sebagai berikut: 1.

rasio kedalaman kemiskinan

2.

rasio penduduk bekerja terhadap populasi

3.

prevalensi balita dengan berat badan rendah

4.

Angka Partisipasi Murni (APM) sekolah dasar

5.

rasio murid perempuan dan laki-laki pada sekolah dasar dan menengah

6.

APM perempuan pada sekolah dasar dan menengah

7.

APM laki-laki pada sekolah dasar dan menengah

8.

Angka Kematian Balita

9.

Angka Kematian Bayi

10. Proporsi kelahiran yang dibantu tenaga kesehatan 11. Prevalensi HIV pada penduduk usia 15-49 12. Kejadian, prevalensi, dan kematian akibat TBC 13. Proporsi penduduk yang menggunakan air bersih 14. Jumlah saluran telepon per 100 penduduk Universitas Indonesia


10

15. Jumlah pemilik ponsel per 100 penduduk. Pada penelitian ini missing value diisi dengan interpolasi dan menghitung rata-rata dalam periode tiga tahun. Penelitian ini menunjukkan bahwa SOM merupakan alat yang berguna dalam mengevaluasi differential convergence selama tiga periode yang diteliti. 2.2.2. Visual Tracking of the Millennium Development Goals with a SelfOrganizing Neural Network (Sarlin, 2011) Penelitian ini bertujuan untuk mengetahui kemampuan SOM sebagai alat untuk memantau indikator MDG yang multidimensi secara visual. SOM digunakan untuk menggambarkan pembandingan negara-negara secara visual dan analisis evolusi suatu negara secara visual. Penelitian ini menggabungkan SOM dengan dimensi geospasial dengan cara memetakan hasil clustering pada peta geografis. Data yang digunakan adalah data tahun 1990-2008 dari 232 negara. Ada lima belas variabel yang digunakan dalam penelitian ini. Variabel tersebut yaitu: 1.

Jumlah penduduk dengan pendapatan di bawah $1/hari

2.

Jumlah balita dengan berat badan rendah

3.

Angka Partisipasi Sekolah (APS) usia sekolah dasar

4.

Jumlah kursi yang diduduki perempuan pada parlemen

5.

Indeks Kesetaraan Gender pada sekolah dasar

6.

Angka kematian per 1000 kelahiran

7.

Jumlah anak yang mendapat imunisasi campak

8.

Angka Kematian Ibu per 100.000 kelahiran

9.

Jumlah kasus TBC per 100.000 penduduk

10. Penduduk usia 15-49 yang mengidap HIV 11. Proporsi wilayah yang tertutup hutan 12. Akses ke sumber air minum 13. Emisi gas CO2 perkapita 14. Bantuan pembangunan resmi 15. Jumlah pengguna internet per 100 penduduk Universitas Indonesia


11

Hasil penelitian ini menunjukkan bahwa SOM merupakan alat yang feasible untuk melakukan pemantauan visual terhadap indikator-indikator MDG. 2.2.3. Neighborhoods in Development: Human Development Index and Selforganizing Maps (Rande dan Dondurat, 2011 Penelitian ini mengusulkan penggunaan SOM untuk lebih mengeksplorasi kemiripan di antara negara-negara berdasarkan komponen Human Development Index

(HDI) atau

Indeks

Pembangunan

Manusia

(IPM) dibandingkan

pemeringkatan. Komponen IPM yang digunakan yaitu Angka Harapan Hidup (AHH), Angka Melek Huruf (AMH), Angka Partisipasi Kasar (APK), PDB perkapita. Penelitian ini mengelompokkan negara-negara ke dalam beberapa cluster, yang disebut „„neighborhoods in development‟‟, berdasarkan komponen IPM tersebut. Hasil pengelompokan tersebut dapat membantu negara-negara dalam satu kelompok untuk saling mempelajari kebijakan masing-masing. Dari hasil pengelompokan ini juga dapat dipelajari jenis kebijakan yang dapat diambil untuk memperbaiki rangking IPM-nya. 2.2.4. Living Standards of Vietnamese Provinces: a Kohonen Map (Nguyen, Haughton, dan Hudson, 2014) Penelitian ini menganalisis indikator taraf hidup (living standards) pada 61 provinsi di Vietnam dengan SOM. Ada 25 variabel yang digunakan dalam penelitian ini yang mencakup tiga dimensi yaitu kekayaan (wealth), pendidikan, dan kesehatan, serta satu variabel tambahan yaitu jumlah rumah tangga. Variabelvariabel yang digunakan adalah sebagai berikut: 1. Indeks GDP (Gross Domestic Product) yang dinormalisasi 2. Indeks kemiskinan komposit 3. GDP perkapita 4. Pendapatan rata-rata perkapita (menurut harga berjalan) 5. Persentase pengeluaran untuk konsumsi makanan 6. Nilai rata-rata barang tahan lama 7. Persentase rumah permanen Universitas Indonesia


12

8. Tingkat kemiskinan 9. AMH digabung dengan APS dan dinormalkan 10. AMH 11. Persentase lulusan sekolah kejuruan 12. Persentase lulusan sekolah tinggi dan universitas 13. Persentase penduduk dengan gelar Master dan Ph.D 14. APS usia 3-5 tahun 15. APS sekolah menengah pertama 16. APS sekolah menengah atas 17. AHH 18. Balita kurang gizi 19. AHH laki-laki 20. AHH perempuan 21. Kasus kurang gizi berdasarkan berat badan menurut tinggi badan 22. Kasus kurang gizi berdasarkan tinggi badan menurut umur 23. Kasus kurang gizi berdasarkan berat badan menurut umur 24. Angka kematian berkaitan dengan kehamilan per 1000 25. Angka kematian bayi 26. Jumlah rumah tangga Perbandingan penelitian-penelitian sebelumnya dapat dilihat pada Tabel 2 berikut:



13

Tabel 2.1 Perbandingan Penulisan Sebelumnya

No

Judul, Penulis, dan Tahun

Compare

Contrast

1.

Kohonen Self-Organizing Maps as a Tool for Assessing Progress toward the UN Millennium Development Goals (Joel Deichmann, dkk, 2013)

Menggunakan SOM untuk menganalisis indikator MDGs dalam beberapa periode

Penelitian dilakukan pada level negara

2.

Visual Tracking of the Millennium Development Goals with a SelfOrganizing Neural Network (Peter Sarlin, 2011) Neighborhoods in Development: Human Development Index and Selforganizing Maps (Sevinc Rende dan Murat Donduran, 2011)

3.

4.

Living Standards of Vietnamese Provinces: a Kohonen Map, yang dilakukan (Phong Nguyen dkk, 2014)

Critisize

Menjelaskan langkah pemilihan ukuran map dan metode dalam mengatasi missing value tapi tidak menjelaskan tahap training data. Menggunakan SOM dan peta Penelitian dilakukan Menjelaskan tahap training geografis untuk memvisualisasikan pada level negara data perbandingan antarnegara dan perkembangan indikator MDG. Menggunakan SOM untuk Penelitian dilakukan Menjelaskan tahap-tahap mengelompokkan negara berdasarkan pada level negara dan SOM dengan jelas kemiripan nilai indikator-indikator hanya menggunakan HDI variabel untuk human well-being Menggunakan SOM untuk Penelitian dilakukan Melakukan evaluasi map menganalisis indikator Living pada level provinsi dan dengan bootstrap Standards ada variabel yang saling methodology berkaitan.



14

Tabel 2.2 Perbandingan variabel penelitian sebelumnya Dimensi Kemiskinan

Deichmann, dkk Sarlin - MDG MDG rasio kedalaman Jumlah penduduk dengan kemiskinan pendapatan di bawah $1/hari

Rende-Donduran – HDI

Nguyen - Living Inkesra BPS Standard Indeks kemiskinan Persentase penduduk di komposit bawah garis kemiskinan Tingkat kemiskinan

Perumahan dan Air Bersih

Kesehatan

Proporsi penduduk Akses ke sumber air minum yang menggunakan air bersih

Sumber air minum

Kepemilikan rumah Nilai rata-rata barang tahan lama Persentase rumah Jenis Dinding dan permanen Lantai Sanitasi Angka kematian bayi

Angka Kematian Angka kematian per 1000 Balita kelahiran Angka Kematian Bayi Angka Kematian Ibu per 100.000 kelahiran Angka Hidup

Angka kematian berkaitan dengan kehamilan per 1000 Harapan Angka Harapan Hidup Angka Harapan Hidup perempuan



15

Tabel 2.2 Perbandingan variabel penelitian sebelumnya (sambungan) Dimensi

Deichmann, dkk MDG

Sarlin - MDG

Kesehatan

Proporsi kelahiran yang dibantu tenaga kesehatan prevalensi balita Jumlah balita dengan berat dengan berat badan badan rendah rendah


Nguyen - Living Standard Angka Harapan Hidup laki-laki

Inkesra BPS

Angka Kesakitan Jaminan Kesehatan Jumlah anak yg dilahirkan Proporsi kelahiran yang dibantu tenaga kesehatan Balita kurang gizi

Kasus kurang gizi berdasarkan berat badan menurut tinggi badan Kasus kurang gizi berdasarkan tinggi badan menurut umur Kasus kurang gizi berdasarkan berat badan menurut umur



16


Kesehatan

Pendidikan

Deichmann, dkk MDG

Sarlin - MDG

RendeDonduran – HDI

Nguyen - Living Standard

Jumlah anak yang mendapat imunisasi campak Kejadian, prevalensi, Jumlah kasus TBC per dan kematian akibat 100.000 penduduk TBC Prevalensi HIV pada Penduduk usia 15-49 yang penduduk usia 15-49 mengidap HIV Angka Partisipasi Angka Partisipasi Sekolah Angka Partisipasi APS usia 3-5 tahun Murni (APM) sekolah (APS) sekolah dasar Kasar dasar APM perempuan pada APS sekolah menengah sekolah dasar dan pertama menengah APM laki-laki pada APS sekolah menengah sekolah dasar dan atas menengah Persentase lulusan sekolah kejuruan Persentase lulusan sekolah tinggi dan universitas

Inkesra BPS

Imunisasi dan ASI

APS (SD, SLTA, PT)

SLTP,

APK (SD, SLTA, PT)

SLTP,

APM (SD, SLTA, PT)

SLTP,



17


Deichmann, dkk MDG

Sarlin - MDG


Pendidikan

Angka Huruf

Lingkungan

Nguyen - Living Standard Persentase penduduk dengan gelar Master dan Ph.D

Inkesra BPS

Rata-rata lama sekolah Melek AMH digabung Buta Huruf dengan APS dan dinormalkan AMH

rasio murid Indeks Kesetaraan Gender perempuan dan laki- pada sekolah dasar laki pada sekolah dasar dan menengah Emisi gas CO2 perkapita



18

Dari penelitian-penelitian terdahulu yang sudah disebutkan, dapat dilihat bahwa variabel pada penelitian-penelitian sebelumnya dapat didekati dengan variabel Inkesra. SOM juga terbukti feasible untuk diterapkan pada clustering menggunakan data kesejahteraan. Di samping itu, dengan SOM dapat dilakukan visualisasi karena dapat memetakan data dengan banyak dimensi menjadi dua dimensi. Oleh karena itu, SOM akan digunakan pada penelitian ini.

2.3 Theoretical Framework Penelitian ini menggunakan framework pengukuran kemajuan masyarakat menurut Inkesra BPS. Dari konsep tersebut diperoleh variabel-variabel yang akan digunakan sebagai dasar clustering dengan algoritma Self-organizing Map (SOM). SOM digunakan dalam penelitian ini karena pada penelitian-penelitian sebelumnya algoritma ini terbukti feasible untuk clustering berdasarkan indikator kesejahteraan. Dari clustering terhadap beberapa periode, akan diketahui perubahan cluster yang terjadi. Dari migrasi cluster ini dapat diketahui perkembangan kesejahteraan daerah. Alur pemikiran penelitian ini dituangkan pada gambar berikut:

Gambar 2.1 Theoretical Framework

Beberapa indikator kesejahteraan yang diusulkan OECD dan MDG dapat didekati dengan variabel yang ada pada Indikator Kesejahteraan Rakyat (Inkesra) yang dibuat BPS yang disajikan hingga level kabupaten. Variabel-variabel tersebut adalah:



19

1.

Persentase penduduk di bawah garis kemiskinan

2.

Sumber air minum

3.

Kepemilikan rumah

4.

Jenis Dinding dan Lantai

5.

Sanitasi

6.

Angka Kesakitan

7.

Imunisasi dan ASI

8.

APS (7-12, 13-15)

9.

APK (SD, SLTP, SLTA, PT)

10. APM (SD, SLTP, SLTA, PT) 11.

Rata-rata lama sekolah

12. Angka Melek Huruf Untuk dimensi kondisi ekosistem dan dimensi pemerintahan pada OECD dengan indikator HAM dan keterlibatan politik tidak digunakan karena data tidak tersedia hingga level kabupaten. Adapun data yang digunakan adalah data pada tahun 2011-2014. Pertimbangan pemilihan data mulai dari tahun 2011 karena pertimbangan jumlah kabupaten/kota yang masih sama dan data yang sudah lebih baik karena menggunakan sampling frame hasil Sensus Penduduk 2010. Pertimbangan periode tiga tahun ini karena data kesejahteraan menunjukkan perkembangan signifikan pada periode tiga tahun (Bartholomew, 2012).



BAB 3 METODOLOGI PENELITIAN

Pada bagian ini diuraikan metodologi penelitian dan tahapan penelitian yang digunakan untuk menjelaskan urutan kerja dalam melakukan penelitian. 3.1

Metodologi penelitian

Bab ini menjelaskan tahapan penelitian dan teknik analisis data yang digunakan. Penelitian ini termasuk penelitian dengan pendekatan kuantitatif karena menggunakan salah satu cara postpositivist, yaitu pengurangan variabel (Creswell, 2003). Penelitian ini juga termasuk jenis penelitian desk research karena menggunakan data sekunder. 3.2

Tahapan penelitian

Tahapan penelitian ini adalah sebagai berikut: 1)

Identifikasi Masalah

Penelitian dimulai melalui tahapan identifikasi masalah dengan metode studi literatur. Masukan dalam tahap ini adalah penelitian atau dokumen yang menjelaskan pentingnya clustering data daerah. Keluaran dari tahap ini adalah pertanyaan penelitian. 2)

Pelaksanaan Studi Pustaka

Masukan pada tahap ini adalah pertanyaan penelitian, teori relevan, penelitian dan metodologi terkait. Teori yang digunakan adalah teori mengenai data mining, clustering, self-organizing maps, dan kesejahteraan. Metode yang digunakan adalah studi literatur. Keluaran pada tahap ini adalah kerangka teoritis, variabel yang akan digunakan. 3)

Data Preprocessing

Masukan tahap ini adalah data yang akan digunakan. Metode yang digunakan adalah normalisasi, dan analisis korelasi. Proses normalisasi dilakukan dengan metode z–score normalization menggunakan fasilitas Normalization pada aplikasi 20



21

ReDSOM. Proses analisis korelasi dilakukan dengan korelasi Pearson menggunakan aplikasi Rattle. Setelah dilakukan analisis korelasi, variabelvariabel saling berkorelasi perlu dipilih salah satunya . Pada tahap ini tidak dilakukan proses cleaning karena data suah tidak mengandung nilai outlier dan missing value. Setelah dilakukan analisis korelasi, variabel-variabel saling berkorelasi perlu dipilih salah satunya. 4)

Modelling

Masukan pada tahap ini adalah data hasil preprocessing. Kemudian dilakukan testing tersebut pada data tersebut. Proses pengambilan sampel dan testing dilakukan pada data masing-masing periode. Kedua proses ini dilakukan berulang sampai map yang dihasilkan tidak mengalami banyak perubahan. Metode yang digunakan adalah self-organizing maps (SOM). Metode ini sudah digunakan Deichmann dkk pada tahun 2013 dan Sarlin pada 2011 untuk menganalisis indikator MDG serta digunakan Rende dan Donduran pada tahun 2011 untk menganalisis IPM. Penelitian mereka menunjukkan bahwa SOM merupakan metode yang feasible dalam menganalisis indikator kesejahteraan. Untuk menganalisis perubahan struktur cluster metode yang digunakan adalah hot-spot methodology (Denny et.al, 2008). Adapun untuk menganalisis perpindahan cluster dengan menggunakan relative density self-organizing maps (Denny et.al, 2008). Tools yang digunakan dalam penelitian ini adalah InterSOM yang dikembangkan oleh Denny. 5)

Cluster validation

Masukan pada tahap ini adalah cluster hasil self-organizing maps. Cluster tersebut divalidasi menggunakan Davis-Bouldin Index. 6)

Analisis Perubahan Cluster

Masukan pada tahap ini adalah cluster yang sudah divalidasi. Hasil clustering pada dua periode dibandingkan dan dianalisis perubahannya. Perubahan yang dianalisis adalah perubahan struktur cluster dan perubahan anggota cluster.



22

Langkah-langkah penelitian yang dilakukan seperti gambar 3.1.

Input Metode Output

Identifikasi Masalah Penelitian Studi literatur Akar permasalahan, Research question

Input Metode Output

Pelaksanaan studi pustaka Reserch question, teori relevan, penelitian dan metodologi terkait Studi literatur Kerangka teoritis, variabel yang akan digunakan

Input Metode Output

Preprocessing Kerangka teoritis, data yang akan digunakan Analisis Korelasi, normalisasi Data dari variabel terpilih yang sudah siap diolah

Input Metode Output

Modelling Data dari variabel terpilih Self-organizing maps (SOM) Cluster kabupaten/kota

Input Metode Output

Cluster Validation Clusters Davies-Bouldin Index Clusters yang sudah divalidasi

Input Metode Output

Analisis Perubahan Cluster Clusters yang sudah divalidasi dari beberapa periode Hotspot methodology, Relative-density SOM Kabupaten/kota yang mengalami perpindahan cluster dan variabel yang paling berpengaruh

Penyusunan Kesimpulan Gambar 3.1. Langkah-langkah penelitian



BAB 4 IMPLEMENTASI

Bagian ini menjelaskan penerapan metodologi yang digunakan pada penelitian ini. Implementasi metodologi ini sesuai dengan yang telah dijelaskan pada bab 3. 4.1. Data Preprocessing Sumber data yang digunakan untuk proses data mining pada penelitian ini adalah variabel-variabel Indeks Kesejahteraan Rakyat (INKESRA) tingkat kabupaten yang diolah dari data Survei Sosial Ekonomi Nasional (SUSENAS). Data yang digunakan dalam penelitian ini adalah data tahun 2011 dan 2014 dengan jumlah record sebanyak 497 kabupaten/kota. Jumlah record data tahun 2011 dan 2014 sama karena kabupaten/kota yang mengalami pemekaran dapa periode waktu tersebut digabung antara induk dan pemekarannya. 4.1.1. Feature Selection Pada tahap ini dilakukan pengecekan korelasi antarvariabel. Teknik yang digunakan adalah korelasi Pearson karena data yang digunakan adalah data rasio. Korelasi Pearson ini mengukur korelasi antarvariabel secara linier. Nilai korelasi (r) berkisar antara 1 dan -1 yang berarti berkorelasi sempurna. Adapun bila nilainya 0, berarti kedua variabel yang diukur tidak berkorelasi secara linier. Apabila dua variabel memiliki nilai korelasi 0,6 atau lebih, kedua variabel tersebut dianggap berkorelasi kuat (Sugiyono, 2007). Pada penelitian ini setiap variabel diukur korelasinya dengan semua variabel yang lain. Variabel dari dimensi yang sama yang memiliki korelasi besar dipilih salah satu. Hasil pengecekan korelasi dapat dilihat pada Gambar 4.1. Variabel yang saling berkorelasi kuat pada dimensi pendidikan adalah Angka Partisipasi Murni, Angka Partisipasi Kasar, dan Angka Partisipasi Sekolah. Pada dimensi teknologi informasi variabel yang saling berkorelasi kuat adalah variabel akses internet dan kepemilikan komputer/laptop. Selain variabel yang berkorelasi kuat, variabel yang terlalu dominan juga tidak digunakan pada tahap berikutnya. Dari tahap reduksi diperoleh 22 variabel yang akan digunakan untuk clustering. 23 Universitas Indonesia


24

Gambar 4.1 Korelasi Pearson

Daftar variabel terpilih tersebut dapat dilihat pada Tabel 4.1. Tabel 4.1. Daftar Variabel Terpilih Data

Deskripsi

Rasio

Rasio antara penduduk berusia produktif (15-64 tahun) dan

Ketergantungan nonproduktif (kurang dari 15 tahun dan lebih dari 64 tahun) Usia

kawin Persentase penduduk wanita berusia 10 tahun ke atas dengan

pertama kurang usia kawin pertama kurang dari 18 dari 18 tahun KB

Persentase

perempuan

berstatus

kawin

yang

sedang

menggunakan KB Persentase sakit Persentase penduduk yang mengalami keluhan kesehatan dan terganggu kegiatannya oleh keluhan kesehatan tersebut Lama ASI

Rata-rata lamanya anak berusia kurang dari 2 tahun dalam diberi ASI



25

Tabel 4.1. Daftar Variabel Terpilih (sambungan) Data Angka

Deskripsi

Melek Persentase penduduk berusia 10 tahun ke atas yang dapat

Huruf (AMH)

membaca dan menulis

Rata-rata Lama Jumlah tahun belajar penduduk usia 15 tahun ke atas yang Sekolah (RLS)

telah diselesaikan dalam pendidikan formal (tidak termasuk tahun yang mengulang).

Angka

Persentase penduduk yang sedang bersekolah berdasarkan

Partisipasi

kelompok umur (7-12, 13-15)

Sekolah (APS) Komputer

Persentase rumah tangga yang menguasai komputer atau laptop

Pekerja anak

Persentase anak (penduduk berusia di bawah 10 tahun) yang bekerja

Lantai rumah

Persentase rumah tangga dengan lantai tempat tinggal bukan tanah

Dinding rumah

Persentase rumah tangga dengan dinding tempat tinggal tembok atau kayu

Atap rumah

Persentase rumah tangga dengan atap tempat tinggal beton/genteng/sirap/seng/asbes

Luas lantai

Rata-rata luas lantai tempat tinggal per anggota rumah tangga

Kepemilikan

Persentase rumah tangga dengan status tempat tinggal milik

rumah

sendiri

4.1.2. Normalisasi Data yang digunakan dalam penelitian memiliki range yang berbeda-beda. Contohnya data RLS yang nilainya antara 0,83 sampai 12,04 dan data AMH yang nilainya antara 13,50 sampai 99,70. Perbedaan range nilai ini dapat memengaruhi penentuan distance dalam pembentukan cluster. Untuk itu perlu dilakukan Universitas Indonesia


26

normalisasi.

Data

tersebut

dinormalisasi

menggunakan

metode

z-score

normalization yaitu dengan menormalkan nilai atribut berdasarkan rata-rata dan standar deviasi dari variabel tersebut. Normalisasi didasarkan pada tahun yang lebih awal. Data tahun 2014 dinormalisasi dengan dasar data tahun 2011. Contoh perubahan data sebelum dan setelah normalisasi dapat dilihat pada Tabel 4.3. Tabel 4.2 Contoh Data yang Belum Dinormalisasi

Tabel 4.3 Normalisasi Variabel



27

4.2. Modelling Pada tahap ini dilakukan clustering terhadap data tahun 2011 dan 2014. Algoritma yang digunakan adalah algoritma Self-Organizing Map dengan tools InterSOM. 4.2.1. Modelling Dataset Tahun 2011 Pada proses modelling ini, training dilakukan dua kali dengan mencoba input berbeda pada parameter training length dan radius initial. Tabel 4.3. Parameter Pelatihan SOM Parameter Pelatihan SOM Inisialisasi bobot Bentuk topologi jaringan Ukuran peta jaringan Algoritma pelatihan Training length Radius initial Radius final

Nilai Linear Hexagonal 8 x 14 Batch Training 1 Training 2 8 32 8 4 1 1

Hasil clustering tersebut kemudian divalidasi untuk menentukan jumlah klaster yang optimum. Validasi cluster yang digunakan adalah Davies-Bouldien Index (DBI). Semakin kecil nilai DBI berarti cluster yang dibentuk semakin optimal. Dari Gambar 4.2. terlihat bahwa dengan jumlah cluster sebanyak dua buah diperoleh nilai DBI terkecil, yaitu 0,432. Namun, pengelompokan menjadi dua cluster saja dianggap kurang optimal memungkinkan anggota dalam satu cluster yang terlalu heterogen. Oleh karena itu, jumlah cluster yang dipilih adalah jumlah cluster dengan nilai DBI terkecil kedua yaitu enam cluster. DBI untuk enam cluster adalah sebesar 0,883. Dengan demikian, jumlah cluster untuk data tahun 2011 adalah enam buah.



28

Gambar 4.2. Davies Bouldin Index Data Tahun 2011

Hasil clustering dengan lima cluster untuk data tahun 2011 dapat dilihat pada Gambar 4.3.

Gambar 4.3 Hasil Clustering Dataset Tahun 2011

4.2.2. Modelling Dataset Tahun 2014 Langkah modelling data tahun 2014 sama dengan yang dilakukan terhadap data tahun 2011. Hasil dari pemodelan data set tahun 2014 ini juga divalidasi dengan Davies-Bouldin Index (DBI).



29

Tabel 4.4. Parameter Pelatihan SOM Parameter Pelatihan SOM Inisialisasi bobot Bentuk topologi jaringan Ukuran peta jaringan Algoritma pelatihan Training length Radius initial Radius final

Nilai Linear Hexagonal 8 x 14 Batch Training 1 Training 2 8 32 4 2 1 1

Gambar 4.4. Davies-Bouldien Index Dataset Tahun 2014

Dari Gambar 4.4. terlihat bahwa nilai DBI terkecil, yaitu 0,941, diperoleh ketika jumlah cluster sebanyak tujuh buah. Dengan demikian, jumlah cluster optimal untuk data tahun 2014 adalah tujuh buah. Hasil clustering data tahun 2014 dengan tujuh cluster dapat dilihat pada Gambar 4.5.



30

Gambar 4.5 Hasil Clustering Dataset Tahun 2014



BAB 5 HASIL DAN PEMBAHASAN

Pada bab ini dijelaskan analisis terhadap hasil implementasi. 5.1. Pembahasan Hasil Analisis Cluster Pada subbab ini dibahas hasil clustering yang dijelaskan pada bab sebelumnya. Pada subbab ini masing-masing cluster dianalisis berdasarkan variabel pembedanya dan dibandingkan dengan cluster lain. Pengukuran tinggi dan rendahnya nilai variabel pada suatu cluster didasarkan pada perbandingan dengan seluruh cluster yang lain. 5.1.1 Analisis Cluster Tahun 2011 Dari hasil modelling, data tahun 2011 kabupaten dikelompokkan menjadi enam cluster. Masing-masing cluster tersebut memiliki karakteristik berbeda sesuai dengan variabel yang paling membedakan pada cluster tersebut. Pada Gambar 5.1. dapat kita lihat persebaran cluster secara geografis. Pada beberapa cluster, anggotanya merupakan kabupaten/kota yang berdekatan secara geografis, misalnya daerah NTT yang sebagian besar kabupaten/kotanya masuk cluster C2 dan Papua yang kabupaten/kotanya masuk cluster C0 dan C4. Sebagian daerah di Sumatera yang termasuk cluster C3 juga secara geografis lokasinya berdekatan.

31



32

Gambar 5.1. Sebaran Geografis Cluster Kabupaten/Kota 2011



33

Cluster pertama (C0) terdiri atas lima belas kabupaten di Papua. Anggota cluster ini adalah daerah tertinggal. Ini bisa dilihat dari Angka Melek Huruf, Rata-rata Lama Sekolah (RLS), dan Angka Partisipasi Sekolah (APS) 7-12 dan 13-15 yang sangat rendah bila dibandingkan dengan cluster lain (Gambar 5.2). RLS pada cluster ini berkisar antara 3,23 dan 5,31 tahun. Ini berarti rata-rata penduduk berusia lima belas tahun ke atas di cluster ini tidak tamat SD. Persentase perempuan berstatus kawin yang menggunakan KB juga rendah. Kualitas tempat tinggal pada cluster ini juga masih rendah. Masih banyak rumah tangga yang tempat tinggalnya dengan lantai tanah dan atap ijuk/rumbia/sejenisnya. Persentase rumah tangga yang menggunakan penerangan listrik dan menggunakan sumber air minum yang baik juga sangat rendah.

Gambar 5.2. Variabel Pembeda Data 2011 C0

Cluster kedua (C1) terdiri atas 131 kabupaten/kota di Sumatera, Jawa, Bali, Nusa Tenggara, Kalimantan, Sulawesi, Maluku, dan Papua. Hanya satu kabupaten di Papua yang termasuk ke dalam cluster ini yaitu Kabupaten Manokwari. Anggota cluster ini sebagian besar adalah ibukota provinsi sehingga dapat dianggap bahwa cluster ini berisi daerah-daerah maju. Hal ini juga sesuai dengan karakteristik cluster yang dapat dilihat pada Gambar 5.3. Kabupaten/kota cluster ini adalah termasuk baik jika dibandingkan dengan cluster lain dalam dimensi pendidikan dan teknologi informasi. Ini dapat dilihat dari tingginya Rata-rata Lama Sekolah, Universitas Indonesia


34

Angka Melek Huruf, dan Angka Partisipasi Sekolah serta tingginya persentase rumah tangga yang menguasai komputer/laptop. Dilihat dari tingginya persentase rumah tangga dengan lantai tempat tinggal bukan tanah dan persentase rumah tangga dengan tempat tinggal berdinding tembok atau kayu, cluster ini termasuk baik dari segi perumahan. Selain itu, persentase rumah tangga dengan sumber air minum yang baik juga tinggi. Dari sisi demografi, cluster ini juga baik karena rasio ketergantungannya rendah. Kondisi ini dapat memberikan keuntungan ekonomis karena penduduk usia nonproduktif yang harus ditanggung oleh penduduk usia produktif sedikit. Angka beban ketergantungan yang tinggi menunjukkan bahwa penduduk usia produktif menghadapi beban yang lebih besar untuk mendukung dan memberikan layanan sosial yang dibutuhkan oleh penduduk tidak produktif (anak-anak dan orang tua) yang sering tergantung secara ekonomi (BPS, 2014).


Cluster ketiga (C2) terdiri atas dua puluh kabupaten di Nusa Tenggara Timur. Karakteristik dari cluster ini adalah kualitas perumahan yang rendah dibandingkan cluster lain (Gambar 5.4). Ini dapat dilihat dari rendahnya persentase rumah tangga yang tempat tinggalnya berdinding tembok/kayu dan tingginya persentase rumah tangga yang tempat tinggalnya berlantai tanah. Persentase rumah tangga dengan rata-rata luas lantai tempat tinggal juga cukup rendah. Kondisi kesehatan di cluster ini juga termasuk rendah karena tingginya Universitas Indonesia


35

persentase penduduk yang mengalami keluhan kesehatan. Perlu ada peningkatan layanan kesehatan pada cluster ini. Rasio ketergantungan di cluster ini tinggi.


Gambar 5.5 Variabel Pembeda Data 2011 C3

Cluster keempat (C3) terdiri atas 55 kabupaten/kota di Sumatera, Nusa Tenggara, Sulawesi, Maluku, dan Papua. Kabupaten/kota pada cluster ini memiliki rasio ketergantungan yang tinggi dan persentase perempuan berstatus kawin yang menggunakan KB rendah (Gambar 5.5). Meskipun masih rendah pada segi demografi, cluster ini sudah cukup baik dari sisi peluang mengenyam pendidikan dasar. Ini dapat dilihat dari tingginya Angka Partisipasi Sekolah 7-12 dan 13-15 Universitas Indonesia


36

serta tingginya Angka Melek Huruf. Namun, Rata-rata Lama Sekolah masih rendah, yaitu sebagian berkisar di antara 7,39 dan 9,47. Ini menunjukkan masih banyak penduduk berusia lima belas tahun ke atas yang putus sekolah di tingkat SMP. Cluster kelima (C4) terdiri atas 26 kabupaten/kota. Daerah-daerah tersebut tersebar di Indonesia Timur yaitu Papua, Papua Barat, Maluku Utara, dan Maluku. Ada juga satu kabupaten di Sumatera Utara yang termasuk dalam cluster ini yaitu Kabupaten Nias. Kondisi pendidikan di cluster ini termasuk rendah tetapi masih tidak serendah kondisi pendidikan di C0 (Gambar 5.6). Angka Partisipasi Sekolah SD dan SMP di cluster ini rendah. Persentase pekerja anak di cluster ini tertinggi dibandingkan cluster lain. Ini mengindikasikan banyaknya anak yang berhenti sekolah untuk bekerja. Angka Melek Huruf dari setengah anggota cluster ini sudah tinggi tetapi sisanya masih rendah.


Cluster terakhir (C5) ini memiliki anggota terbanyak dibanding cluster lain yaitu 250 kabupaten/kota. Anggota cluster ini berada pada hampir semua provinsi, kecuali Nusa Tenggara Timur, Maluku, dan Papua Barat. Pada Gambar 5.7 dapat kita lihat bahwa sebagian besar kabupaten/kota di cluster ini memiliki rasio ketergantungan yang rendah. Rasio ketergantungan ini berisiko meningkat karena masih ada beberapa kabupaten yang memiliki persentase tinggi untuk perempuan Universitas Indonesia


37

dengan usia kawin pertama di bawah 18 tahun yang berimplikasi meningkatnya kemungkinan jumlah kelahiran. Namun, dengan persentase perempuan pengguna KB yang cukup tinggi, diharapkan angka kelahiran juga rendah sehingga rasio ketergantungan tetap rendah. Dari sisi pendidikan dasar, cluster ini sudah cukup baik apabila dilihat dari Angka Partisipasi Sekolah SD dan SMP yang tinggi. Namun, Rata-rata Lama Sekolah pada cluster ini masih rendah yaitu berkisar antara 6,35 sampai 8,43. Ini menunjukkan bahwa masih banyak penduduk berusia lima belas tahun ke atas yang putus sekolah pada jenjang SMP. Dari segi perumahan, cluster ini masih heterogen. Sebagian besar anggota cluster memiliki persentase tinggi untuk rumah tangga yang memiliki tempat tinggal dengan dinding, lantai, dan atap yang baik. Namun, sisanya masih memiliki persentase rendah untuk ketiga variabel tersebut. Persentase rumah tangga yang memiliki tempat tinggal dengan status milik sendiri juga sudah tinggi pada beberapa kabupaten/kota di cluster ini. Rumah tangga yang menempati rumah milik sendiri dapat dikatakan telah mampu memenuhi kebutuhan akan tempat tinggal yang terjamin dan permanen dalam jangka panjang (BPS, 2014a). Dari segi kesehatan, cluster ini juga heterogen. Ada beberapa kabupaten/kota yang persentase penduduk yang mengalami keluhan kesehatan tinggi. Namun, sebagian besar persentasenya rendah.




38

5.1.2 Analisis Cluster Tahun 2014 Ada tujuh cluster dari hasil clustering data tahun 2014. Pada Gambar 5.8. dapat kita lihat persebaran cluster tersebut secara geografis. Sama seperti pada persebaran tahun 2011, persebaran cluster pada tahun 2014 juga menunjukkan bahwa sebagian cluster memiliki anggota yang berdekatan secara geografis. Contohnya adalah Pulau Jawa yang sebagian besar kabupaten/kotanya masuk cluster C0 dan NTT yang sebagian besar kabupaten/kotanya masuk cluster C3. Selain itu, sebagian daerah di Papua yang termasuk cluster C4 juga secara geografis letaknya berdekatan. Cluster pertama (C0) terdiri atas 71 kabupaten/kota. Anggota cluster ini sebagian besar berada di Jawa Tengah, Jawa Timur, dan Jawa Barat. Sisanya empat kabupaten di Sumatera, tiga kabupaten Sulawesi, dan satu kabupaten di DKI Jakarta. Karakteristik cluster ini adalah kondisi perumahan yang cukup baik dibandingkan cluster lain (Gambar 5.9). Persentase rumah tangga yang menempati tempat tinggal milik sendiri dan rata-rata luas lantai tempat tinggal di cluster ini tinggi sudah tinggi. Persentase rumah tangga yang menempati tempat tinggal dengan dinding dan atap yang baik sudah tinggi. Persentase rumah tangga dengan penerangan listrik juga sudah tinggi. Namun, persentase rumah tangga yang tempat tinggalnya berlantai tanah masih tinggi di beberapa kabupaten. Adapun persentase rumah tangga dengan sumber air minum yang baik masih tergolong sedang. Persentase perempuan dengan usia kawin pertama di bawah delapan belas tahun juga cukup tinggi. Dari segi pendidikan dasar, cluster ini sudah cukup baik jika dilihat dari tingginya Angka Partisipasi Sekolah SD dan SMP. Namun, Rata-rata Lama Sekolah menunjukkan bahwa banyak penduduk usia lima belas tahun ke atas yang putus sekolah di tingkat SMP.



39

Gambar 5.8. Sebaran Geografis Cluster Kabupaten/Kota 2014



40


Cluster kedua (C1) terdiri atas 158 kabupaten/kota yang tersebar di Sumatera, Jawa Barat, Bali, NTB, Sulawesi, Kalimantan, Maluku, Papua, dan Papua Barat. Kondisi perumahan dan fasilitas perumahan pada cluster ini sudah baik. Ini dapat dilihat pada tingginya persentase rumah tangga yang menempati tempat tinggal dengan atap, lantai, dan dinding yang baik (Gambar 5.10). Persentase rumah tangga dengan penerangan listrik juga tinggi. Namun, persentase rumah tangga dengan sumber air minum yang baik masih cukup rendah. Sebagian kabupaten/kota pada cluster ini memiliki persentase tinggi untuk penduduk yang mengalami keluhan kesehatan. Perlu peningkatan sumber air bersih pada cluster ini untuk meningkatan persentase rumah tangga dengan sumber air minum yang baik diharapkan jumlah penduduk yang mengalami kesehatan akan berkurang. Mudahnya akses terhadap air bersih dan sanitasi dapat meningkatkan kesehatan individu (BPS, 2014b).



41


Cluster ketiga (C2) terdiri atas 48 kabupaten/kota. Sepertiga anggota cluster ini adalah kabupaten/kota di Sumatera Utara dan sisanya di Maluku, Papua, Papua Barat, Aceh, dan Sumatera Barat. Kabupaten/kota pada cluster ini memiliki persentase perempuan pengguna KB yang cukup rendah dibandingkan cluster lain (Gambar 5.11). Rata-rata lama pemberian ASI juga rendah, yaitu 16-18 bulan. Ini masih jauh di bawah angka ideal yaitu 24 bulan. Adapun dari segi pendidikan, kesempatan bagi perempuan untuk mengenyam pendidikan dasar sudah cukup baik. Ini dapat dilihat dari Angka Partisipasi Sekolah 7-12 perempuan yang cukup tinggi. Perlu adanya penyuluhan yang intensif mengenai KB dan pentingnya pemberian ASI yang dilakukan oleh tenaga kesehatan, terutama bidan karena biasanya ada di hampir seluruh desa.



42


Cluster keempat (C3) terdiri atas 40 kabupaten/kota. Separuh anggota cluster ini berada di Nusa Tenggara Timur. Sisanya berada di Sulawesi Selatan, Bengkulu, Nusa Tenggara Barat, Jawa Barat, Banten, Sulawesi Tenggara, dan Maluku Utara. Kabupaten/kota di cluster ini memilik persentase yang rendah dibandingkan cluster lain untuk rumah tangga yang menempati tempat tinggal dengan dinding dan lantai yang baik. Angka Melek Huruf di daerah ini juga sudah cukup tinggi (Gambar 5.12). Namun, Rata-rata Lama Sekolah di cluster ini masih rendah dan menunjukkan masih banyak yang putus sekolah di tingkat SMP. Perlu program khusus untuk mengurangi jumlah penduduk yang putus sekolah, misalnya dengan memberikan beasiswa bagi murid tidak mampu agar dapat menamatkan pendidikan dasar sembilan tahun. Pada beberapa kabupaten/kota persentase penduduk yang mengalami keluhan kesehatan. Pada daerah-daerah tersebut perlu tindakan preventif, misalnya dengan meningkatkan sanitasi. Pada cluster ini perlu bantuan di bidang perumahan agar dapat meningkatkan persentase rumah tangga dengan tempat tinggal layak dan sehat (bersanitasi baik). Dengan tempat tinggal yang sehat ini, diharapkan penduduk yang mengalami keluhan kesehatan dapat berkurang.



43



Cluster kelima (C4) terdiri atas 15 kabupaten di Papua. Kabupaten yang termasuk cluster ini adalah daerah tertinggal. Ini bisa dilihat dari karakteristik cluster ini, yaitu: persentase perempuan yang menggunakan KB rendah, Angka Melek Huruf rendah, Rata-rata Lama Sekolah rendah, dan Angka Partisipasi Sekolah rendah dibandingkan daerah lain (Gambar 5.13). Persentase pekerja anak pada cluster ini tinggi. Ini mengindikasikan banyaknya anak yang tidak sekolah karena harus bekerja. Perlu dilakukan program untuk meningkatkan pendidikan, misalnya Universitas Indonesia


44

program kejar paket A dan B, SMP Terbuka, atau Program Sekolah Satu Atap. Program Sekolah Satu Atap juga dapat menurunkan angka pekerja anak (ILO, 2011). Cluster keenam (C5) terdiri atas 97 kabupaten/kota. Sumatera, Jawa, Bali, Nusa Tenggara Barat, Kalimantan, Sulawesi, Maluku Utara, Papua, Papua Barat. Daerah-daerah di cluster ini memiliki kondisi perumahan yang baik (Gambar 5.14). Persentase rumah tangga dengan lantai, dinding, dan atap yang baik sudah tinggi. Dari segi fasilitas perumahan juga sudah cukup baik. Ini dapat dilihat dari tingginya persentase rumah tangga yang menggunakan penerangan listrik. Namun, dari segi fasilitas perumahan lain, yaitu akses terhadap sumber air minum yang baik, persentasenya masih rendah pada sebagian daerah. Rata-rata Lama Sekolah pada cluster ini masih rendah, sebagian berkisar antara 6,6 sampai 8,68 tahun. Artinya rata-rata penduduk berusia lima belas tahun ke atas tidak menamatkan pendidikan SMP-nya. Namun, Angka Partisipasi Sekolah 7-12 dan 13-15 sudah tinggi. Perlu kebijakan untuk mencegah penduduk yang sedang bersekolah tersebut agar tidak mengalami putus sekolah, contohnya dengan memberikan bantuan bagi siswa miskin.




45

Cluster terakhir (C6) terdiri atas 68 kabupaten/kota. Sebagian besar anggota cluster ini adalah ibukota provinsi dan daerah lain yang berstatus kota. Hanya tiga kabupaten yang termasuk dalam cluster ini yaitu Sleman, Sidoarjo, dan Badung. Cluster ini termasuk baik dari segi pendidikan, perumahan, dan teknologi (Gambar 5.15). Persentase Rata-rata Lama Sekolah tinggi, berkisar antara 9,72 sampai 10,75. Ini menunjukkan bahwa rata-rata penduduk berusia lima belas tahun ke atas di daerah tersebut sudah mengenyam pendidikan dasar sembilan tahun. Angka Partisipasi Sekolah yang tinggi untuk usia 13-15 baik untuk total maupun perempuan menunjukkan bahwa peluang untuk mengenyam pendidikan dasar sudah besar dan sudah setara antara laki-laki dan perempuan. Dari segi perumahan, cluster ini sudah baik karena persentase rumah tangga dengan kondisi tempat tinggal baik (dinding, atap, dan lantai baik) sudah tinggi. Dari segi fasilitas pendukung perumahan, yaitu listrik dan air minum, juga sudah baik. Persentase rumah tangga yang menguasai komputer/laptop juga tinggi. Ini menunjukkan darah ini sudah baik dari segi teknologi. Namun, persentase rumah tangga yang menempati tempat tinggal dengan status milik sendiri masih rendah.




46

5.2. Pembahasan Analisis Hasil Perubahan Cluster Tabel 5.1 Perubahan Struktur Cluster Tahun 2011 (T1) dan 2014 (T2)

Pada Tabel 5.1 terlihat perbedaan struktur cluster pada tahun 2011 dan 2014. Ada satu cluster yang pada tahun 2011 tidak ada dan muncul pada tahun 2014, yaitu C4. Ada dua cluster tahun 2011 yang menghilang pada tahun 2014 yaitu C0 dan C4. Adapun cluster C5 terpecah menjadi C0, C1, dan C3 serta cluster C1 terpecah menjadi C5 dan C6.

Gambar 5.16 Perubahan Cluster 2011 dan 2014

Perbedaan cluster pada tahun 2011 dan 2014 juga dapat dilihat pada Gambar 5.16. Jika dilihat dari jumlah node-nya, cluster C0 dan C4 mengalami penyusutan sedangkan C1 dan C3 mengalami perluasan. Jika dilihat dari kepadatannya pada Gambar 5.17, cluster C0, C2, dan C4 (node berwarna merah tua) juga berkurang kepadatannya dan muncul daerah baru pada area node tersebut (node berwarna biru tua). Anggota cluster C0 berkurang dari lima belas menjadi sepuluh kabupaten. Cluster C0 ini merupakan cluster dengan nilai rendah pada sebagian besar variabel. Dengan berkurangnya muatan cluster ini, berarti pada tahun 2014 terjadi peningkatan kesejahteraan pada anggota cluster tersebut dibandingkan Universitas Indonesia


47

tahun 2011. Cluster C4 menyusut dari 26 kabupaten menjadi lima kabupaten. Cluster C2 dilihat dari jumlah node-nya tidak mengalami penyusutan. Namun, sebenarnya anggotanya berkurang satu kabupaten. Cluster C5 berkurang anggotanya dari 250 menjadi 233 kabupaten/kota. Adapun C1 mengalami penambahan anggota cluster dari 131 menjadi 168 kabupaten/kota dan cluster C3 mengalami sedikit perluasan. Anggota cluster ini bertambah dari 55 menjadi 62 kabupaten/kota.

Gambar 5.17 Relative Density Cluster 2011 dan 2014

Gambar 5.18 Perpindahan Cluster



48

Pada Gambar 5.18 dapat dilihat bahwa berkurangnya anggota cluster C0 karena ada yang berpindah ke cluster yang lebih baik yaitu C3 dan C4. Sebagian anggota cluster C4 juga berpindah ke cluster yang lebih baik yaitu C1 dan C3. Ada satu kabupaten yang berpindah dari cluster C0 ke C3, yaitu Dogiyai. Variabel yang mengalami perubahan signifikan pada perpindahan tersebut adalah Angka Partisipasi Sekolah (APS)

7-12 dan APS 13-15 serta Angka Melek Huruf

(AMH). Ketiga variabel tersebut mengalami peningkatan. Peningkatan APS ini mungkin dapat dikaitkan dengan adanya sekolah satu atap dan sekolah berasrama yang dapat membantu mengatasi masalah jangkauan sekolah untuk wilayah kabupaten/kota di Papua yang terlalu luas. Peningkatan AMH di daerah tersebut pada tahun 2014 didukung melalui strategi pelaksanaan sistem block, yaitu memberikan afirmasi bantuan operasional penyelenggaraan (BOP) Keaksaraan Dasar pada kabupaten yang merupakan kantong-kantong buta aksara yang diikuti dengan bimbingan secara intensif, seperti di Papua dan di daerah 3T (Kemendikbud, 2014). Empat kabupaten berpindah dari cluster C0 ke C4, yaitu Paniai, Asmat, Yalimo, dan Deiyai. Pada perpindahan ini, variabel yang nilainya mengalami perubahan signifikan adalah kondisi dinding tempat tinggal dan KB. Terjadi peningkatan persentase rumah tangga dengan kondisi dinding tempat tinggal yang baik dan peningkatan persentase perempuan pengguna KB. Peningkatan persentase rumah tangga dengan tempat tinggal baik ini mungkin bisa dikaitkan dengan program Bantuan Stimulan Perumahan Swadaya (BSPS) oleh Kemenpera yang diprioritaskan pada daerah tertinggal (Setkab, 2013). Bantuan ini memungkinkan penduduk Papua untuk memiliki tempat tinggal yang layak huni melalui peningkatan kualitas dan pembangunan rumah baru. Adapun sepuluh kabupaten yang pada tahun 2011 berada pada cluster C0 tidak mengalami perpindahan cluster pada tahun 2014. Sebenarnya daerah-daerah ini juga mengalami peningkatan Angka Partisipasi Sekolah 13-15. Namun, APS 1315 tersebut masih lebih rendah dari APS 13-15 pada cluster lain sehingga tidak mengalami perpindahan. Hal ini mungkin disebabkan APS 13-15 pada tahun 2011



49

yang terlalu rendah sehingga peningkatan APS-nya masih belum signifikan untuk berpindah cluster. Kabupaten/kota yang pindah dari cluster C1 ke C3 ada dua, yaitu Maluku Tengah dan Tual. Variabel yang mengalami perubahan pada daerah yang berpindah cluster tersebut adalah APS 7-12 dan 13-15 serta persentase penduduk yang mengalami keluhan kesehatan. Terjadi peningkatan Peningkatan APS 7-12 dan 13-15 serta penurunan persentase penduduk yang mengalami keluhan kesehatan. Peningkatan APS tersebut mirip dengan perpindahan dari C0 ke C3 sehingga bisa dikaitkan dengan program yang sama, yaitu Sekolah Satu Atap. Adapun kabupaten yang berpindah dari C1 ke C5 ada empat yaitu Kudus, Serang, Klungkung, Minahasa Tenggara. Variabel yang mengalami perubahan secara signifikan adalah APS 7-12 dan 13-15. Kedua variabel tersebut mengalami peningkatan pada empat kabupaten tersebut. Karena tidak ada program khusus pada daerah tersebut, peningkatan APS dapat dikaitkan dengan program Bantuan Operasional Sekolah (BOS). Dari cluster C2 ada satu kabupaten yang berpindah ke C5, yaitu Manggarai. Variabel yang mengalami perubahan signifikan pada daerah ini adalah persentase rumah tangga dengan tempat tinggal berdinding baik dan persentase penduduk yang mengalami keluhan kesehatan. Persentase rumah tanggal dengan tempat tinggal berdinding baik meningkat dan persentase penduduk yang mengalami keluhan kesehatan menurun. Peningkatan persentase rumah tangga dengan tempat tinggal milik sendiri ini mirip dengan perpindahan dari cluster C0 ke C4 dan bisa dikaitkan dengan program yang sama yaitu BSPS. Adapun penurunan penduduk yang mengalami keluhan kesehatan mungkin dapat dikaitkan dengan program Sanitasi Total Berbasis Masyarakat (STBM) yang bertujuan menurunkan angka kejadian penyakit menular berbasis lingkungan serta meningkatkan perilaku higienitas dan kualitas kehidupan masyarakat Indonesia (STBM, 2013a). Program ini dijalankan di hampir seluruh daerah di Indonesia, salah satunya NTT. Kabupaten yang mengalami perpindahan cluster dari C4 ke C1 ada sepuluh kabupaten. Kesepuluh kabupaten tersebut berada di Maluku Utara, Papua, dan Universitas Indonesia


50

Papua Barat. Variabel yang mengalami perubahan signifikan pada daerah ini adalah pekerja anak serta APS 7-12 dan 13-15. Di daerah-daerah tersebut terjadi pengurangan persentase pekerja anak dan peningkatan APS 7-12 dan 13-15. Perubahan ini mirip dengan perindahan dari C0 ke C3 dan mungkin dapat dikaitkan dengan pelaksanaan Sekolah Satu Atap. Selain dapat meningkatkan APS, program ini juga dapat mengurangi pekerja anak. Ada enam kabupaten di Sumatera Utara, Sumatera Barat, dan Sulawesi Selatan yang pindah dari cluster C3 ke cluster C1. Variabel yang berubah secara signifikan pada daerah tersebut adalah APS 7-12 dan 13-15. Terjadi peningkatan APS 7-12 dan 13-15. Perpindahan ini mirip dengan perpindahan dari cluster C1 ke C5 sehingga mungkin dapat dikaitkan dengan program yang sama yaitu BOS. Sebanyak dua belas kabupaten berpindah dari cluster C4 ke C3. Kabupaten tersebut berada di daerah timur yaitu Papua, Papua Barat, Maluku, dan Maluku Utara. Ada juga satu kabupaten di Sumatera Utara yang mengalami perpindahan tersebut yaitu Nias Selatan. Variabel yang berubah secara signifikan pada daerah tersebut adalah APS 13-15 dan 7-12 serta persentase penduduk yang mengalami keluhan kesehatan. Terjadi peningkatan APS 13-15 dan 7-12 serta penurunan persentase penduduk yang mengalami keluhan kesehatan di daerah tersebut. Perpindahan cluster karena peningkatan APS ini mirip dengan perpindahan cluster C0 ke ke C3. Oleh karena itu, perpindahan tersebut dapat dikaitkan dengan program yang sama yaitu Sekolah Satu Atap. Adapun penurunan persentase penduduk yang mengalami keluhan kesehatan mirip dengan perpindahan dari C0 ke C5 dan mungkin bisa dikaitkan dengan program STBM. Kabupaten yang pindah dari C4 ke C5 ada tiga kabupaten. Ketiga daerah tersebut berada di Papua dan Papua Barat. Variabel yang berubah secara signifikan adalah persentase penduduk kawin 18 dan kepemilikan rumah. Pada kabupaten tersebut terjadi peningkatan penduduk dengan usia kawin pertama di bawah 18 tahun dan peningkatan persentase rumah tangga dengan status tempat tinggal milik sendiri. Peningkatan persentase rumah tangga dengan tempat tinggal milik sendiri ini



51

mirip dengan perpindahan dari cluster C0 ke C4 dan bisa dikaitkan dengan program yang sama yaitu BSPS. Perpindahan yang paling banyak terjadi dari C5 ke C1, yaitu sebanyak 27 kabupaten/kota. Daerah yang mengalami perpindahan ini sebagian besar di daerah Sumatera dan Kalimantan, sisanya di Jawa, Bali, dan Sulawesi. Variabel yang berubah secara signifikan adalah kepemilikan komputer dan akses air minum. Di daerah ini terjadi peningkatan kepemilikan komputer dan persentase rumah tangga dengan sumber air minum yang baik. Peningkatan akses terhadap air minum ini mungkin dapat dikaitkan dengan program STBM yang salah satu fokusnya adalah penyediaan air minum (STBM, 2013b). Dua kabupaten yang mengalami perpindahan dari C5 ke C3 adalah Halmahera Utara dan Rokan Hilir. Variabel yang mengalami perubahan secara signifikan adalah AMH, AMH perempuan, dan APS 13-15. Ketiga variabel tersebut mengalami peningkatan. Dari beberapa perpindahan di atas, dapat diketahui bahwa pada sebagian besar perpindahan cluster, variabel yang mengalami perubahan signifikan adalah variabel dimensi pendidikan yaitu APS dan AMH. Program yang mendukung peningkatan APS tersebut adalah Sekolah Satu Atap, sekolah berasrama, dan BOS. Daerah-daerah lain dapat menjalankan program yang sama untuk meningkatkan APS-nya. Adapun perubahan sebaran cluster secara geografis dari tahun 2011 ke 2014 dapat dilihat pada Gambar 5.19. Pada gambar tersebut yang paling terlihat perpindahan cluster-nya adalah daerah Papua.



52

Gambar 5.19 Perubahan Sebaran Geografis Cluster 2011 dan 2014

5.3 Rekomendasi Dari hasil analisis terhadap karakteristik dan perubahan cluster, rekomendasi yang diberikan adalah sebagai berikut: 1.

Pada kabupaten yang termasuk cluster C0 tahun 2014, perlu ada penyuluhan untuk mengurangi persentase penduduk perempuan yang kawin muda (di bawah 18 tahun)

2.

Pada kabupaten yang termasuk cluster C1 tahun 2014, perlu ada peningkatan sanitasi, misalnya dengan program STBM, sehingga dapat mengurangi persentase penduduk yang mengalami keluhan kesehatan Universitas Indonesia


53

3.

Pada kabupaten yang termasuk cluster C2 tahun 2014, perlu ada penyuluhan mengenai KB dan pemberian ASI

4.

Pada kabupaten yang termasuk cluster C3 tahun 2014, perlu ada bantuan untuk tempat tinggal yang layak dan sehat, misalnya dengan program BSPS, dan bantuan di bidang pendidikan untuk mengurangi angka putus sekolah sehingga RLS dapat meningkat

5.

Pada kabupaten yang termasuk cluster C4 tahun 2014, perlu ada penyuluhan tentang KB dan bantuan di bidang pendidikan, misalnya program Sekolah Satu Atap untuk meningkatkan APS dan menurunkan persentase pekerja anak

6.

Pada kabupaten yang termasuk cluster C5 tahun 2014, perlu ada bantuan pendidikan untuk mengurangi angka putus sekolah, misalnya beasiswa siswa miskin, sehingga dapat meningkatan RLS

7.

Pada kabupaten yang termasuk cluster C6 tahun 2014 masih ada daerah dengan persentase penduduk yang mengalami keluhan kesehatan yang cukup tinggi sehingga perlu program peningkatan sanitasi.



BAB 6 PENUTUP

Pada bab ini dijelaskan kesimpulan dari penelitian ini. dan Pada bab ini juga dijelaskan saran yang diberikan berdasarkan hasil dan pembahasan pada bab sebelumnya. 6.1. Kesimpulan Penerapan data mining dengan algoritma Self-Organizing Maps dapat dilakukan untuk mengelompokkan kabupaten/kota berdasarkan variabel-variabel Inkesra BPS. Metode ini juga dapat digunakan untuk menganalisis perubahan struktur dan migrasi cluster. Dari data tahun 2011 diperoleh enam cluster dan dari data tahun 2014 diperoleh tujuh cluster. Dari ketujuh cluster tahun 2014, yang paling baik dibandingkan cluster lain adalah cluster C6. Adapun cluster yang paling membutuhkan perhatian khusus adalah cluster C4 yang terdiri atas lima belas kabupaten di Papua. Di daerah ini perlu dilakukan penyuluhan mengenai KB dan perlu program pendidikan untuk meningkatkan AMH, APS, dan RLS. Salah satu program yang bisa dilaksanakan adalah Sekolah Satu Atap. Pada cluster ini juga perlu bantuan untuk tempat tinggal yang sehat. Cluster C3 juga memerlukan bantuan untuk tempat tinggal yang sehat. Anggota cluster ini sebagian besar berada di NTT. Dari hasil analisis perubahan dan migrasi cluster pada bab sebelumnya, diketahui bahwa variabel yang memengaruhi sebagian besar kasus perpindahan cluster adalah variabel pada dimensi pendidikan yaitu Angka Partisipasi Sekolah dan Rata-rata Lama Sekolah. Perpindahan cluster tersebut menunjukkan bahwa kondisi pendidikan pada tahun 2014 sudah meningkat dibanding tahun 2011. Namun, masih ada beberapa kabupaten di Indonesia bagian timur yang kualitas pendidikannya masih rendah.

54



55

6.2. Saran Dari hasil clustering dan analisis pada bab sebelumnya, saran yang diberikan adalah sebagai berikut : 1. Kemungkinan penelitian lanjutan yang dapat dilakukan adalah menambah variabel dari hasil survei lain. 2. Kemungkinan penelitian lanjutan sampai tingkat kecamatan untuk daerah dengan data yang lebih lengkap. 3. Kemungkinan penelitian lanjutan dengan series yang lebih panjang. 4. Diskusi untuk rekomendasi yang diusulkan. 5. Perlu penelitian lebih lanjut mengenai perubahan cluster hasil dari penelitian ini.



DAFTAR PUSTAKA

Badan Pusat Statistik. (2014). Indikator Kesejahteraan Rakyat 2014. Jakarta: Badan Pusat Statistik. Badan Pusat Statistik. (2014). Indikator Pembangunan Berkelanjutan 2014. Jakarta: Badan Pusat Statistik. Deichmann, J., et al. (2013). Kohonen Self-Organizing Maps as a Tool for Assessing Progress toward the UN Millennium Development Goals. Esping-Andersen, Gosta. (2000). Social Indicators and Welfare Monitoring. Social Policy and Development Programme Paper Number 2. United Nations Research Institute for Social Development. Gan, G., Ma, C., Wu, J. (1979). Data Clustering: Theory, Algorithms, and Applications. Philadelpia. SIAM. Greve, Bent. (2008). What is Welfare? Central European Journal of Public Policy Vol. 2 No. 1. Denny, Williams, G.J., Christen, P.(2008). Exploratory hot spot profile analysis using interactive visual drill-down Self-Organizing Maps. Advances in Knowledge Discovery and Data Mining: PAKDD 2008, Proceedings. pp. 536–543. Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques, Third edition. Waltham: Morgan Kaufmann. Haykin, S. (1999). Neural Network: A Comprehensive Foundation, Second Edition. Ontario: Prentice Hall International. Kementerian Pendidikan dan Kebudayaan. Laporan Akuntabilitas Kinerja Tahun 2014 Kemendikbud. Jakarta: Kementerian Pendidikan dan Kebudayaan. Kementerian

Perencanaan

Pembangunan

Nasional.

(2015).

Rencana

Pembangunan Jangka Menengah Nasional 2015-2019: Buku I Agenda Pembangunan Nasional. Jakarta: Kementerian Perencanaan Pembangunan Nasional. 56



57

Larose, D.T. (2005). Discovering knowledge in data: an introduction to data mining. New Jersey: John Wiley & Sons. Nguyen, P., Haughton, D., & Hudson, I. (2014). Living Standards of Vietnamese Provinces: a Kohonen Map. Case Studies in Business, Industry & Government Statistics. Organisasi Perburuhan Internasional. (2011). Program Sekolah Satu Atap dan Dampaknya pada Pekerja Anak: Sebuah Studi Kasus di Kabupaten Sukabumi. Rende, S. & Donduran, M. (2011). Neighborhoods in Development: Human Development Index and Self-organizing Maps. Springer Science Business Media B.V. Sarlin, Peter. (2011). Visual Tracking of the Millennium Development Goals with a Self-Organizing Neural Network. International Journal of Machine Learning and Cybernetics, Volume 3, Issue 3, pp 233-245. Setiyani, D. & Hakim, Fajriya. (2015). Clustering Indikator Pembangunan Berkelanjutan di Indonesia menggunakan Algoritma Self-Organizing Maps (SOMs) Kohonen. Prosiding Seminar Nasional Matematika dan Pendidikan Matematika UMS 2015. Turban, E., Sharda, R., & Delen, D. (2011). Decision support and business intelligence system, 9th edition. New Jersey: Pearson Education, Inc. Widodo, A. & Purhadi. (2012). Perbandingan Metode Fuzzy C-Means Clustering dan Fuzzy C-Shell Clustering (Studi Kasus: Kabupaten/Kota di Pulau Jawa Berdasarkan Variabel Pembentuk Indeks Pembangunan Manusia). Surabaya: ITS. Sekretaris Kabinet Republik Indonesia. (2013). Rumah Swadaya Untuk Warga Miskin. Diambil dari http://setkab.go.id/rumah-swadaya-untuk-wargamiskin/ Sugiyono. (2007). Statistika untuk Penelitian. Bandung: CV Alfabeta.



58

Sanitasi Terpadu Berbasis Masyarakat. (2013). Road Map Nasional Percepatan Program

STBM

2013-2015.

Diambil

dari

http://stbm-

indonesia.org/?page=berita&command=detail&id1=7156&id2=9 UK Parliament. (2012). Science and Technology Committee - Minutes of Evidence

HC

322.

Diambil

dari

http://publications.parliament.uk/

pa/cm201213/cmselect/cmstech/322/120118.htm



59

Lampiran 1: Daftar variabel awal Daftar variabel yang digunakan (sebelum feature selection): 1. APS (7-12, 13-15, 16-18) 2. APM (SD, SMP, SMA) 3. APK (SD, SMP, SMA) 4. AMH (total dan perempuan) 5. RLS (total dan perempuan) 6. Persentase rumah tangga yang mengakses internet 7. Persentase rumah tangga yang memiliki komputer 8. Persentase rumah tangga yang memiliki telepon/HP 9. Psrsentase penduduk yang menjadi korban kejahatan 10. Persentase penduduk yang mengalami keluhan kesehatan 11. Persentase bayi yang diberi ASI 12. Lamanya pemberian ASI 13. Persentase bayi yang diimunisasi 14. Persentase bayi dengan penolong kelahiran tenaga medis 15. Rasio ketergantungan 16. Persentase perempuan dengan usia kawin di bawah 18 tahun 17. Persentase perempuan berstatus kawin yang menggunakan KB 18. Persentase rumah tangga dengan tempat tinggal berdinding baik 19. Persentase rumah tangga dengan tempat tinggal berlantai baik 20. Persentase rumah tangga dengan tempat tinggal beratap baik 21. Rata-rata luas lantai per anggota rumah tangga 22. Persentase rumah tangga dengan jamban sendiri dengan tangki septik 23. Persentase rumah tangga dengan sumber air minum baik 24. Persentase pekerja anak



UNIVERSITAS INDONESIA

Recommend Documents