Pengelompokan Desa di Kabupaten Bantul Berdasarkan IDM dan Jumlah Penduduk Miskin pada Tahun 2022 Menggunakan Agglomerative Hierarchial Clustering
Assalamu’alaikum Wr. Wb.
Hallo teman-teman semua! Pada kesempatan kali ini, saya akan bercerita sedikit mengenai pengelompokan desa menggunakan metode analisis Agglomerative Hierarchial Clustering.
Pada artikel ini, kita akan menggunakan data berasal dari satu data https://data.bantulkab.go.id/, yaitu berupa data Indeks Desa Membangun (IDM) dan jumlah penduduk miskin pada masing-masing desa di Kabupaten Bantul. Sebelum melakukan analisis lebih jauh, mari kita pelajari terlebih dahulu variabel yang kita pakai!
Apa itu Indeks Desa Membangun (IDM) dan Jumlah Penduduk Miskin?
Indeks Desa Membangun adalah alat bantu “Teknokrasi” pengukuran perkembangan Status Kemandirian Desa melalui analisa dan nilai komposit seluruh nilai skoring masing-masing indikator terpilih berdasarkan konsep kebijakan pembangunan yang ditetapkan serta otoritas kewenangan, tugas dan fungsi Kementerian Desa, PDTT. Dengan demikian hasil analisa IDM dalam penetapan status Kemandirian Desa akan dapat menjadi alat bantu pengintegrasian perencanaan. Indeks Desa Membangun diperlukan sebagai acuan terhadap status desa diatur dalam.
Menyadari Desa secara esensial merupakan Pemerintahan Otonomi Tingkat 4, tingkatan paling dasar (Pondasi) dari 4 lapis Struktur NKRI (Pusat, Provinsi, Kabupaten/Kota, Desa), sekaligus masyarakat Desa adalah Entitas Komunitas Bangsa Nusantara yang terkecil (Inti). Maka harus
dapat dipastikan penyusunan IDM berdasarkan substansi berbagai regulasi dalam kerangka pelaksanaan kebijakan konsep pembangunan nasional yang paripurna dalam semua aspek yang telah ditetapkan secara nasional. Selain hal tersebut, juga harus dapat dipastikan IDM telah sejalan dengan strtegi pencapaian sasaran strategis jangka pendek, jangka menegah dan jangka panjang secara berkelanjutan. (Permendesa Nomor 2 Tahun 2016).
Sedangkan jumlah penduduk miskin menurut BPS,
Untuk mengukur kemiskinan, BPS menggunakan konsep kemampuan memenuhi kebutuhan dasar (basic needs approach). Dengan pendekatan ini, kemiskinan dipandang sebagai ketidakmampuan dari sisi ekonomi untuk memenuhi kebutuhan dasar makanan dan bukan makanan yang diukur dari sisi pengeluaran. Jadi Penduduk Miskin adalah penduduk yang memiliki rata-rata pengeluaran perkapita perbulan dibawah garis kemiskinan.
Berdasarkan kutipan tersebut, berarti jumlah penduduk miskin merupakan jumlah penduduk yang berada di bawah garis kemiskinan yang kemungkinan besar memiliki pengaruh terhadap IDM.
Menurut Aris Subagyo dkk. (2020), hasil analisis korelasi menunjukkan adanya hubungan yang sedang/cukup kuat antara tingkat kemiskinan dan indeks desa membangun. Jika semakin tinggi tingkat kemiskinan, maka tingkat indeks desa membangun akan semakin rendah. Artinya, semakin rendah tingkat kemiskinan, maka desa akan semakin maju.
Berdasarkan hal tersebut, maka dengan melakukan pengelompokan pada nilai Indeks Desa Membangun dan Jumlah Penduduk Miskin di masing-masing desa dapat membantu dalam melihat kondisi secara umum untuk melakukan langkah atau kebijakan yang tepat sehingga pembangunan dapat dilakukan secara tepat sasaran.
Nah… Setelah kita tau alasan kita untuk melakukan analisis cluster, kita akan berkenalan lagi pada jenis analisis yang kita pakai. So, let’s check it out!
Apa itu Hierarchial Cluster?
Hierarchical adalah metode analisis kelompok yang berusaha untuk membangun sebuah hirarki kelompok data. Metode Hierarchical Clustering mengasumsikan setiap data yang ada sebagai cluster di awal proses. Jumah data sama dengan jumlah cluster awal. Sehingga tidak perlu menentukan cluster awal.
Metode Hierarchial Cluster terbagi menjadi 2 yaitu agglomeratif (penggabungan) dan divisif (pemecahan). Metode yang termasuk agglomeratif adalah Single Linkage, Complete Linkage, Average Linkage, Ward’s, Centroid, dan Median. Pada kali ini, kita akan menggunakan metode Average Linkage. Average Linkage merupakan pengelompokkan dua obyek dengan jarak terdekat pertama dengan terdekat kedua dan seterusnya adalah cara kerja pada metode ini. Pada intinya Average Linkage adalah meminimumkan rata-rata jarak antar cluster.
Selanjutnya, kita bisa mulai melakukan analisis cluster. Teman-teman bisa mendownload data yang akan digunakan di sini.
Pada analisis kali ini, kita menggunakan software R studio versi 4.2.0, perbedaan versi tidak menjadi masalah selama teman-teman tidak menggunakan versi yang lama.
Langkah pertama, kita memasukkan data terlebih dahulu menggunakan perintah sebagai berikut,
data <- read.csv("C:/Users/USER/Downloads/Data Uji.csv", sep=';')
head(data)Kita menggunakan read.csv karena tipe data yang kita gunakan berupa csv, kemudian kita dapat melihat beberapa data pertama menggunakan perintah head. Data yang dimasukkan akan terlihat sebagai berikut,
Pada tampilan head data tersebut terdapat 4 variabel. Variabel yang akan kita gunakan adalah nama desa, Indeks Desa Membangun, dan Jumlah Penduduk Miskin (JPM).
Setelah itu, kita dapat membuat dataframe baru yang kemudian akan digunakan untuk analisis cluster. Perintahnya adalah sebagai berikut,
IDM <- data$IDM
JPM <- data$JPM
data2 = data.frame(IDM,JPM)
data2
rownames(data2) <- data$Nama.Desa
head(data2)Pertama-tama kita mendefinisikan terlebih dahulu kolom IDM dan JPM, kemudian kita bentuk dataframe-nya lalu kita beri nama pada baris data menggunakan nama desa, sehingga tampilannya akan seperti berikut,
Setelah itu, kita bisa membuat plot persebaran datanya menggunakan perintah sebagai berikut,
plot(data2)
text(data2, rownames(data2))Berikut merupakan tampilan plot yang didapat dengan menggunakan perintah dan data tersebut,
Tampilan tersebut menunjukkan persebaran desa berdasarkan nilai dari Indeks Desa Membangun dan Jumlah Penduduk Miskin.
Pada perintah text dapat memunculkan nama setiap desa pada titik-titik persebaran data sehingga plot terlihat sangat buruk. Jadi, saya menyarankan untuk tidak menggunakan perintah tersebut dan langsung saja kita lanjutkan untuk membuat dendrogramnya.
data2.hc = hclust(dist(data2), "average")
plot(data2.hc, hang = -1)Jika mengacu pada perintah tersebut maka output yang kita dapat adalah sebagai berikut,
Berdasarkan tampilan tersebut terdapat 4 kelompok yang dapat kita bagi. Pembagian kelompok dapat kita lakukan dengan menggunakan perintah sebagai berikut,
rect.hclust(data2.hc, k=4, border=2:3)Sehingga pengelompokan yang kita dapatkan adalah seperti gambar berikut,
Tampilan dendrogram tersebut menunjukkan terdapat 4 kelompok desa yang dikelompokkan berdasarkan kedekatannya satu sama lain menurut karakteristiknya.
Kemudian untuk melihat desa mana saja yang termasuk ke dalam suatu kelompok, kita dapat menggunakan perintah sebagai berikut,
data2.cut = cutree(data2.hc,4)
table(data2.cut)
rownames(data2)[data2.cut==1]
rownames(data2)[data2.cut==2]
rownames(data2)[data2.cut==3]
rownames(data2)[data2.cut==4]Perintah cutree digunakan untuk memisahkan data menjadi 3 kelompok sesuai yang telah terbentuk. Kemudian dimunculkan jumlah anggotanya dengan perintah table.
Kemudian untuk melihat anggota pada masing-masing kelompok, kita dapat menggunakan perintah rownames(data2)[data2.cut==1] untuk kelompok 1, rownames(data2)[data2.cut==2] untuk kelompok 2, rownames(data2)[data2.cut==3] untuk kelompok 3, dan rownames(data2)[data2.cut==4] untuk kelompok 4. Sehingga output yang didapatkan adalah sebagai berikut,
Berdasarkan output tersebut terlihat, bahwa pada kelompok pertama terdapat sebayak 30 desa, kelompok kedua terdapat sebanyak 4 desa, kelompok 3 sebanyak 14 desa, dan kelompok 4 sebanyak 4 desa. Desa yang masuk pada masing-masing kelompok tersebut adalah sebagai berikut,
Berdasarkan output tersebut maka kita dapat membuat tabel profilisasi pada masing-masing kelompok dengan memuat nilai Indeks Desa Membangun dan Jumlah Penduduk Miskin, sehingga tampilan tabel profilisasinya adalah sebagai berikut,
Setelah melakukan profilisasi, kita dapat mencari rata-rata nilai IDM dan JPM pada masing-masing kelompok. Hasil yang didapatkan untuk rata-rata nilai IDM pada kelompok 1, 2, 3, dan 4 adalah 0.861, 0.862, 0.845, dan 0.853. Rata-rata tersebut menunjukkan, bahwa nilai IDM pada setiap kelompok cenderung sama dan tidak terlalu berbeda jauh.
Kemudian rata-rata pada jumlah penduduk miskin pada kelompok 1, 2, 3, dan 4 adalah 9085, 9191, 9340, dan 9416. Rata-rata tersebut menunjukkan perbedaan yang lebih signifikan jika dibandingkan dengan perbedaan pada rata-rata nilai IDM dan terlihat, bahwa dari kelompok 1 ke kelompok 4 maka jumlah penduduk miskin akan semakin banyak.
Kesimpulan
Setelah kita melakukan analisis cluster, kita mendapatkan hasil sebanyak 4 kelompok. Pada kelompok 4 memiliki rata-rata jumlah penduduk miskin paling banyak jika dibandingkan dengan kelompok lain sedangkan untuk rata-rata nilai indeks desa membangun memiliki nilai paling kecil kedua setelah kelompok ke 3.
Berdasarkan temuan tersebut dapat diketahui, bahwa desa yang masuk kedalam kelompok 3 dan kelompok 4 merupakan kelompok desa yang memiliki jumlah penduduk miskin yang paling banyak dan nilai indeks desa membangun yang paling kecil. Hal tersebut dapat menjadi perhatian pemerintah dalam melakukan perencanaan atau penyusunan program untuk meningkatkan kesejahteraan desa. Salah satu cara yang dapat dilakukan adalah dengan melakukan penganggaran dana desa secara tepat dan pemerintah setempat perlu lebih memperhatikan desa-desa yang berada di kelompok 3 dan 4.
Saran
Pada artikel ini kita hanya mencoba menggunakan metode analisis Agglomerative Hierarchial Clustering Average Linkage, masih terdapat 2 metode lain, yaitu Single Linkage dan Complete Linkage. Kedua metode tersebut dapat memberikan hasil yang berbeda yang memiliki kemungkinan hasilnya akan lebih baik atau tidak. Teman-teman dapat mencoba untuk metode lain agar dapat membandingkan dengan hasil yang kita dapat sekarang dengan menggunakan data yang sama.
Penutup
Sekian pembahasan clustering kita kali ini, terima kasih kepada teman-teman yang sudah membaca artikel ini hingga selesai, mohon maaf jika masih terdapat banyak kekurangan pada penyusunan artikel ini. Semoga teman-teman semua selalu diberikan kesehatan dan kebahagiaan :)
Wassalamu’alaikum Wr. Wb.
Referensi
Fasya, M. N., Prayitno, G., & Subagiyo, A. (2020). Hubungan Kemiskinan dan Indeks Desa Membangun di Kecamatan Jabung, Kabupaten Malang. Planning for Urban Region and Environment Journal (PURE), 9(3), 223–232.
Rahmi, F., & Rahmi, A. (2022). KLASTERISASI DESA MELALUI IDM SEBAGAI FONDASI DASAR PEMBANGUNAN DESA DI KABUPATEN BOGOR. PALAR (Pakuan Law review), 8(4), 143–170.
Video Materi “Contoh Hierarchical Clustering dengan R” oleh RB Fajriya Hakim Statistics UII
