Lompat ke konten Lompat ke sidebar Lompat ke footer

Pembangunan Indonesia Belum Merata

HIERARCHIAL CLUSTERING ANALYSIS
DALAM PEMERATAAN PEMBANGUNAN INDONESIA

Program Magister Teknik Industri, FTI-Institut Teknologi Sepuluh Nopember (ITS),

ABSTRAK
Kunci dari pembangunan adalah kemakmuran bersama. Pemerataan hasil pembangunan dan pertumbuhan ekonomi yang tinggi merupakan tujuan pembangunan yang ingin dicapai. Oleh karena itu perlu dilakukan kajian terhadap pemerataan pembangunan semua provinsi di Indonesia, sehingga dapat meningkatkan kesejahteraan dan kemakmuran bagi semua masyarakat Indonesia. Penelitian ini melibatkan 33 provinsi di Indonesia dengan empat variabel interdependensi yaitu Indeks Pendidikan (IP), Indeks Harapan Hidup (IHH), Indeks Pembangunan Manusia (IPM) dan Gini Ratio. Metode yang digunakan adalah metode Hierarchial Clustering. Hasil penelitian ini diperoleh 8 cluster.  Untuk variabel Indeks Pendidikan (IP), cluster terendah adalah provinsi Papua. Variabel Indeks Harapan Hidup (IHH) cluster terendah adalah provinsi Nusa Tenggara Barat, variabel Indeks Pembangunan Manusia (IPM) cluster terendah yaitu provinsi Papua, sedangkan berdasarkan Gini Ratio cluster terendah adalah provinsi Papua dan D.I. Yogyakarta.

Kata kunci : Hierarchial Clustering, Pemerataan Pembangunan Indonesia, Indeks Pendidikan, Indeks Harapan Hidup, Indeks Pembangunan Manusia dan Gini Ratio.



PENDAHULUAN
Pembangunan pada hakekatnya bertujuan untuk meningkatkan kesejahteraan hajat hidup orang banyak serta perbaikan  kualitas berbagai aspek kehidupan manusia.
Pembangunan merupakan agenda sentral bagi semua negara, pembangunan dapat diartikan sebagai upaya terencana dan terprogram yang dilakukan secara terus menerus oleh suatu Negara untuk menciptakan masyarakat yang lebih baik, dan merupakan proses dinamis untuk mencapai kesejahtraan masyaraka.
Pemerataaan pembangunan bagi bangsa Indonesia sudah lama dinantikan serta diinginkan oleh rakyat Indonesia. Harapan dan cita-cita yang diinginkan dapat diimpementasikan melalui pembangunan nasional untuk dapat meningkatkan kesejahtraan dan kemakmuran masyrakat. Menurut Badan Pusat Statistik, pertumbuhan ekonomi, merupakan indikator yang biasa digunakan untuk menilai sampai seberapa jauh pembangunan suatu daerah dalam periode tertentu.
Mudarajat kuncoro (2004) melihat dan mendefenisikan pembangunan sebagai suatu proses yang berisifat multidimensional. Perubahan yang mencakup berbagai aspek kehidupan manusia seperti dalam hal struktur sosial, sikap mental, dan lembaga-lembaga sosial termasuk akselerasi pertumbuhan ekonomi, perbaikan distribusi pendapatan, dan pemberantasan kemiskinan absolut.

METODOLOGI PENELITIAN
a.    Sumber dan Metode Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari data BPS pada tahun 2010.

b.   Variabel dan Objek Penelitian
Dalam penelitian ini ditetapkan sebanyak empat variabel interdependensi yang terkait dengan aspek-aspek pemerataan pembangunan. Empat variabel tersebut adalah Indeks Harapan Hidup, Indeks Pembangunan Manusia, Gini Ratio dan Indeks Pendidikan. Dimana Indeks Pendidikan terdiri dari 2 variabel yaitu variabel Angka Melek Huruf dan Angka Partisipasi Sekolah. Objek dalam penelitian ini adalah 33 provinsi di seluruh Indonesia.
Indeks harapan hidup sangat dipengaruhi oleh kualitas kesehatan, diantara pola hidup sehat, pola konsumsi makanan, dan  kualitas lingkungan pemukiman. Angka harapan hidup juga digunakan sebagai indikator untuk menilai taraf kesehatan masyakarat.  Angka  harapan  hidup  ini  diperoleh  dari  SUSENAS  2012 (BPS, 2012) dengan dengan membandingkan  jumlah  kematian  bayi  dengan  jumlah  kelahiran  bayi  pada  waktu tertentu.
IHH = Rata-rata anak yang dilahirkan hidup / ALH
IHH  = Indeks Harapan Hidup
ALH = Rata-rata anak yang masih hidup usia 3-4 
            tahun
Indeks pendidikan di dapat memiliki dua indikator khusus yakni angka melek huruf   (LIT) dan rata-rata lamanya sekolah (MYS). Kedua indikator ini dapat mencerminkan   pengetahuan dan keterampilan, sehingga membentuk persamaan seperti berikut:
IP =  LIT +  MYS
dengan:
IP         = Indeks Pendidikan
LIT           = Angka melek huruf
MYS   = Rata-rata lamanya sekolah (tahun)
Gini Ratio merupakan ukuran   kemerataan   pendapatan   yang   dihitung berdasarkan  kelas  pendapatan.  Angka  koefisien  Gini  terletak  antara  0  (nol)  dan 1  (satu).  Nol  mencerminkan  kemerataan  sempurna  dan  satu  menggambarkan ketidakmerataan sempurna.
Indeks Pembangunan Manusia (IPM) merupakan suatu indikator yang dapat digunakan untuk melihat kegiatan  pembangunan  yang  telah  dilakukan  di  suatu wilayah. Kriteria IPM berdasar UNDP dapat dilihat pada tabel di bawah.
Tabel Kriteria UNDP
Tingkat status
Kriteria
Rendah
IPM  < 50
Menengah kebawah
50 ≤ IPM < 66
Menengah keatas
66 ≤ IPM < 80
Tinggi
IPM ≥80

c.    Tahapan Awal Analisa Data
Tahap awal sebelum dilakukan peng-clusteran adalah data yang telah ada dianalisa deskriptif untuk mengetahui nilai minimum, maksimum, mean dan varian variabel-variabel di tiap provinsi. Jika varian terlalubanyak berarti hal ini menunjukkan terdapat ketidakmerataan pembangunan antar provinsi.
Setelah analisa deksriptif, kemudian dilakukan uji normalitas data untuk mengetahui apakah data sudah signifikan dan layak untuk diteliti lebih lanjut atau belum. Adapun uji  normalitas data yang dilakukan adalah  dengan menggunakan uji Kolmogorov- Smirnov.
         
d.   Tahap Analisa Cluster
Pada analisa ini menggunakan software SPSS versi 18. Tahap pengclusteran menggunakan metode yang digunakan adalah Hierarchial Clustering untuk menentukan jumlah cluster yang terbentuk dari 33 provinsi di Indonesia dengan 4 variabel interdependensi yaitu Indeks Harapan Hidup, Indeks Pendidikan, Gini Ratio dan Indeks Pembangunan Manusia.
Algoritma yang digunakan yaitu algoritma single linkage dan complete linkage.
1.    Case Proximity Summary
Menunjukkan jumlah cases apakah terdapat missing value, outlier, data yang tidak valid atau tidak.
2.    Proximity Matrik
Proximity matrix menunjukkan nilai kedekatan (similarity) antar 2 case berbeda yang direpresentasikan dengan jarak. Semakin kecil nila jarak antara 2 case  menunjukkan semakin dekat jaraknya sehingga semakin mirip kedua data tersebut dan semakin besar kemungkinan bagi kedua case tersebut untuk tergabung ke dalam 1 cluster yang sama. Proximity matrix menunjukkan asal mula agglomeration schedule.
3.    Aglomeration Schedule
Merepresentasikan detail urutan pem-bentukan cluster (dimana cluster-cluster baru yang lebih besar dibentuk dengan menggabungkan cluster-cluster sebelumnya yang telah ada). Kolom cluster 1 dan cluster menunjukkan cluster pertama yang akan digabungkan dengan cluster kedua pada stage tertentu. Coefficient menunjukkan nilai kedekatan hasil penggabungan cluster, bergantung metode yang digunakan.
4.    Dendogram
Dendogram merupakan diagram garpu. Diagram ini lebih sering digunakan karena lebih interpretative dalam cluster analysis. Lebih jelasnya, dendogram menunjukkan hubungan antar cases dan struktur dari dendogram memberikan petunjuk cases-cases yang mana yang berasal dari cluster tertentu. Dalam hal ini akan dipilih dendogram agar bisa diperoleh penggambaran yang jelas mengenai bagaimana cluster yang menjadi hasil dari cluster analysis ini terbentuk. Dalam dendogram bisa diketahui berapa cluster yang terbentuk dari 33 provinsi di Indonesia dilihat dari 4 variabel interdependensi yang ada.
e.    Analisa Akhir
Setelah diperoleh jumlah cluster dari 33 provinsi, kemudian masing-masing cluster dilakukan analisis deskriptif untuk mengetahui cluster mana yang mempunyai rata-rata indeks harapan hidup, indeks pendidikan, gini ratio dan indeks pembangunan manusia yang terendah. Sehingga bisa diketahui provinsi mana saja yang masih belum merata pembangunannya.

HASIL DAN PEMBAHASAN
a.    Deskripsi Data
Menurut UNDP (United Nation Deve-lopment Programme) Provinsi di Indonesia  memiliki  rata-rata  Indeks  Harapan  Hidup (IHH) sebesar 71,2237. angka ini dapat di katakan bahwa indeks harapan hidup manusia di tiap-tiap provinsi di Indonesia tergolong ke dalam golongan angka harapan hidup menengah keatas.  Hal ini berarti angka  harapan  hidup  penduduk Indonesia  sudah  baik. Sedangkan  variansi  dari  IHH ini adalah sebesar 4,056 dengan angka ini dapat dikatakan perbedaan anatara setiap objek pada variabel ini sebesar 4,056%, dengan demikian dapat pula di katakan bahwa  IHH  Provinsi di Indonesia sudah hampir homogen.  Hal  ini  menunjukkan  bahwa  IHH  provinsi di Indonesia hampir merata.
Indeks Pendidikan (IP) Indonesia memiliki rata-rata 64,94, indeks ini termasuk dalam indeks menengah ke atas. Hal ini berarti bahwa IP  provinsi di Indonesia sudah baik. Meskipun demikian, masih ada pula IP provinsi di Indonesia yang masih kurang, dengan IP 47,61, yakni Provinsi Papua. Variansi data IP ini cukup besar, yakni 18,639, dari variansi  ini  dapat  disimpulkan  bahwa  IP  Indonesia kurang homogen. Dengan demikian bukan berarti data ini tidak layak untuk diteliti, karena ketidak homogenan yang terjadi. Hal ini adalah murni menunjukkan keadaan IP semua provinsi di Indonesia.
Indeks  Pembangunan  Manusia  tersusun  atas  rata-rata  dari  Indeks Pendidikan (IP), Indeks Harapan Hidup (IHH), dan Gini Ratio. Rata-rata IPM provinsi di Indonesia adalah 71,8567. Menurut standart UNDP, indeks  ini  merupakan  indeks  dengan  kriteria  menengah  keatas.  Sedangkan  variansi  dari  IPM  ini  adalah  8,851.  Sebagai  inti  dari  peneltian  ini variansi dari IPM ini dapat dikatakan cukup baik karena berada jauh di bawah 50.00.
Gini Ratio merupakan ukuran   kemerataan   pendapatan   yang   dihitung berdasarkan  kelas  pendapatan.  Angka  koefisien  Gini  terletak  antara  0  (nol)  dan 1  (satu).  Nol  mencerminkan  kemerataan  sempurna  dan  satu  menggambarkan ketidakmerataan sempurna. Indeks Gini menunjukkan tingkat ketimpangan atau kemerataan distribusi pendapatan. Nilai koefisien gini (G) antara 0 dan 1 (0<g<1). Rata-rata gini ratio provinsi di Indonesia sebesar 0,3957 yang berarti bahwa masih terdapat ketimpangan distribusi pendapatan, dimana varian yang terjadi sebesar 0,001 yang menunjukkan bahwa gini ratio masing-masing provinsi nilainya cenderung sama.

Descriptive Statistics

N
Min
Max
Mean
Std. Deviation
Variance
Indeks_
Pendidikan
33
47.61
69.55
64.9421
4.31734
18.639
Indeks_Harapan_Hidup
33
67.00
76.20
71.2273
2.01390
4.056
Indeks_Pembangunan_Manusia
33
64.94
77.60
71.8567
2.97506
8.851
Gini_Ratio
33
.29
.43
.3597
.03771
.001
Valid N (listwise)
33






b.   Analisis Data
Setelah  data  dideskripsikan,  langkah  selanjutnya  adalah  analisis  data.  Adapun tujuan dari analisis data ini adalah untuk mengaplikasikan analisis cluster pada data IHH, IP, IPM dan Gini Ratio semua provinsi di Indonesia guna mengetahui pemerataan pembangunan yang dilakukan oleh pemerintah pusat. Dalam analisis data, yang dilakukan pertama kali adalah Uji Normalitas Data.

c.    Uji Normalitas Data
Uji normalitas data ini dilakukan untuk mengetahui apakah data sudah signifikan dan layak untuk diteliti lebih lanjut atau belum. Adapun uji  normalitas  data  yang  dilakukan  adalah  dengan  menggunakan  uji  Kolmogorov- Smirnov.
One-Sample Kolmogorov-Smirnov Test


Indeks_ pendidikan
Indeks_ Harapan_Hidup
Indeks_
Pembangunan
Gini_
Ratio
N
33
33
33
33
Normal Parametersa
Mean
64.9421
71.2273
71.8567
.3597
Std. Deviation
4.31734
2.01390
2.97506
.03771
Most Extreme Differences
Absolute
.243
.131
.084
.120
Positive
.149
.131
.084
.120
Negative
-.243
-.096
-.080
-.109
Kolmogorov-Smirnov Z
1.396
.754
.482
.687
Asymp. Sig. (2-tailed)
.041
.620
.974
.733
a. Test distribution is Normal.


Uji normalitas data di atas memakai = 5%. ini ditentukan sebagai kriteria signifikansi data. Dari hasil uji normalitas data pada tabel di atas dapat diketahui signifikansi dari masing-masing variabel dengan deskripsi sebagai berikut.
IHH, IP, IPM, Gini Ratio masing-masing memiliki nilai signifikansi sebesar 0.041, 0.620, 0.974 dan 0.733 dimana signifikansinya lebih besar dari alfa (α) yaitu > 0.05, sehingga dapat dikatakan bahwa data berdistribusi normal.

d.   Analisa Cluster
Analisis cluster merupakan teknik multivariat yang mempunyai tujuan utama untuk mengelompokkan objek-objek berdasarkan karakteristik yang dimilikinya. Analisis cluster mengklasifikasi objek sehingga setiap objek yang paling dekat kesamaannya dengan objek lain berada dalam cluster yang sama. Dalam  penelitian ini  dilakukan  pengelompokkan  data  dengan menggunakan analisis cluster heirarki. Tipe dasar dalam metode ini adalah aglomerasi dan pemecahan. Dalam metode aglomerasi tiap observasi pada mulanya dianggap sebagai cluster tersendiri sehingga terdapat cluster sebanyak jumlah observasi. Kemudian dua cluster yang terdekat kesamaannya digabung menjadi suatu cluster baru, sehingga jumlah cluster berkurang satu pada tiap tahap. Berikut hasil running pengolahan data cluster pemerataan pembangunan dengan menggunakan SPSS.
1.    Case Proximity Summary:
Menunjukkan jumlah cases apakah terdapat missing value, outlier, data yang tidak valid atau tidak. Berikut Tabel Case Processing Summary.
Tabel Case Processing Summary
Cases
Valid
Missing
Total
N
Percent
N
Percent
N
Percent
33
100.0
0
.0
33
100.0
Hasil Case Processing Summary menunjukkan terdapat 3 kolom yang terdiri dari kolom Valid, Missing, dan Total. Angka-angka di atas  menunjukkan bahwa dari 33 respondents tidak ada missing value ditunjukkan dengan nilai 0 percent missing dan 100% data valid.
2.    Proximity Matrik
Proximity matrix menunjukkan nilai kedekatan (similarity) antar 2 case berbeda yang direpresentasikan dengan jarak. Tabel Proximity Matrik dapat dilihat pada Lampiran 1.
Hasil proximity yang sudah ada dapat dilihat bahwa pada Aceh bernilai 0,000 dan untuk Sumatra Utara bernilai 14,127. Hal ini mengindikasikan bahwa jarak/distance antara Aceh dan Sumatra Utara adalah bernilai 14,127. Jika dibandingkan dengan Sumatra Barat yang bernilai 7,509 yang menunjukkan bahwa kedekatan jarak/distance antara Aceh dengan Sumatra Barat adalah lebih dekat. Dapat diartikan pula kemungkinan Aceh tergabung menjadi 1 cluster dengan Sumatra Barat lebih besar dibandingkan dengan kemungkinan Aceh tergabung 1 cluster dengan Sumatra Utara.
3.    Aglomeration Schedule
Merepresentasikan detail urutan pem-bentukan cluster (dimana cluster-cluster baru yang lebih besar dibentuk dengan menggabungkan cluster-cluster sebelumnya yang telah ada). Berikut Tabel Aglomeration Schedule.
Agglomeration Schedule
Stage
Cluster Combined
Coeffi cients
Stage Cluster
First Appears
Next Stage
Cluster 1
Cluster 2
Cluster 1
Cluster 2
1
6
9
.190
0
0
3
2
2
21
.241
0
0
16
3
6
8
.253
1
0
7
4
1
30
.372
0
0
13
5
13
25
.385
0
0
10
6
31
33
.492
0
0
15
7
6
12
.639
3
0
17
8
5
23
.736
0
0
14
9
3
7
.782
0
0
16
10
13
22
.825
5
0
15
11
16
27
.850
0
0
23
12
20
28
1.438
0
0
21
13
1
26
1.625
4
0
20
14
4
5
1.628
0
8
22
15
13
31
1.673
10
6
20
16
2
3
2.036
2
9
22
17
6
10
3.030
7
0
25
18
14
17
3.425
0
0
23
19
11
24
4.115
0
0
28
20
1
13
4.300
13
15
25
21
20
29
4.992
12
0
24
22
2
4
5.009
16
14
27
23
14
16
7.175
18
11
26
24
19
20
8.667
0
21
26
25
1
6
8.724
20
17
27
26
14
19
17.399
23
24
29
27
1
2
21.286
25
22
29
28
11
15
35.682
19
0
30
29
1
14
41.796
27
26
30
30
1
11
68.020
29
28
32
31
18
32
83.372
0
0
32
32
1
18
289.530
30
31
0
Metode yang digunakan disini adalah Between Group-Linkage, maka nilai kedekatan hasil penggabungan tersebut berdasarkan nilai rata-rata. Semakin kecil nilai Coefficient berarti semakin baik karena menunjukkan kemiripan case-nya. Sedangkan untuk kolom Next stage menunjukkan stage berikutnya yang merupakan kelanjutan dari stage sebelumnya.
Pada data diatas, dapat dilihat bahwa case 6 dan case 9 pada kolom cluster combined memiliki coefficients terendah yaitu 0,190 yang berarti memiliki hubungan yang dekat.
Hasil tabel diatas diperoleh bahwa lonjakan paling tinggi di cluster paling kecil terjadi pada stage 25 ke stage 26. Pada stage 25 ke stage 26 memiliki perbedaan sekitar 8,675. Ini merupakan lonjakan yang cukup tinggi bila dibandingkan dengan stage 24 ke stage 25 yang memiliki perbedaan sekitar 0,057. Sehingga hasil yang mungkin diambil adalah stage 25 dengan hasil 8 cluster. Dalam hal ini menunjukkan bahwa untuk cara stopping rule ini masih terdapat unsur subjektivitas mengenai keputusan jumlah cluster yang diambil dengan nilai kedekatan dalam cluster tersebut.
4.    Dendogram
Dendogram digunakan karena lebih inter pretative dalam cluster analysis karena menunjukkan hubungan antar cases dan struktur dari dendogram memberikan petunjuk cases-cases yang berasal dari cluster tertentu. Hasil Dendogram dengan SPSS dapat dilihat pada Lampiran 1.
Bila diingikan 8 cluster yang terbentuk maka akan didapatkan nilai Rescaled Distance Cluster Combine (jarak kedakatan) sekitar ± 2. Hal ini menjukkan bahwa anggota dalam 1 cluster memiliki nilai jarak kedekatan yang hampir mirip.
5.    Cluster Membership
Fungsi utamanya untuk menentukan jumlah cluster. Jika peneliti memiliki hipotesis tentang berapa banyak cluster yang harus dihasilkan, maka peneliti dapat memerintahkan SPSS untuk membuat beberapa cluster, baik itu dalam jumlah cluster yang pasti maupun dalam bentuk range (kisaran jumlah cluster yang diperkirakan akan dihasilkan). Hasil Cluster Membership dari penelitian ini adalah sebagai berikut:
Cluster Membership
Case
8 Clusters
1:Aceh                       
1
2:Sumatera Utara             
2
3:Sumatera Barat             
2
4:Riau                       
2
5:Kepulauan Riau             
2
6:Jambi                      
1
7:Sumatera Selatan           
2
8:Kepulauan Bangka Belitung  
1
9:Bengkulu                   
1
10:Lampung                    
1
11:DKI Jakarta                
3
12:Jawa Barat                 
1
13:Banten                     
1
14:Jawa Tengah                
4
15:DI Yogyakarta              
5
16:Jawa Timur                 
4
17:Bali                       
4
18:Nusa Tenggara Barat        
6
19:Nusa Tenggara Timur        
7
20:Kalimantan Barat           
7
21:Kalimantan Tengah          
2
22:Kalimantan Selatan         
1
23:Kalimantan Timur           
2
24:Sulawesi Utara             
3
25:Gorontalo                  
1
26:Sulawesi Tengah            
1
27:Sulawesi Selatan           
4
28:Sulawesi Barat             
7
29:Sulawesi Tenggara          
7
30:Maluku                     
1
31:Maluku Utara               
1
32:Papua                      
8
33:Papua Barat                
1

Dalam hasil di atas tampak bahwa Provinsi Aceh merupakan anggota cluster 1, Sumatera Utara dan Sumatera Barat merupakan anggota cluster 2, dan seterusnya. Ringkasan tabel hasil cluster secara keseluruhan dapat dilihat pada tabel berikut:
Tabel Hasil Clustering Provinsi di Indonesia
Provinsi
Cluster
IP
IHP
IPM
Gini Ratio
Aceh
1
67.52
69.3
71.7
0.3
Jambi
66.52
70.8
72.74
0.3
Kep. Bangka Belitung
66.11
71
72.86
0.3
Bengkulu
66.27
70.5
72.92
0.37
Lampung
65.66
71.6
71.42
0.36
Jawa Barat
66.79
70.9
72.29
0.36
Banten
66.90
69.7
70.48
0.42
Kalimantan Selatan
66.53
69.2
69.92
0.37
Gorontalo
66.47
70.1
70.28
0.43
Sulawesi Tengah
66.72
68.9
71.14
0.37
Maluku
67.97
69.6
71.42
0.33
Maluku Utara
66.85
69.2
69.03
0.34
Papua Barat
66.51
69.8
69.15
0.38
Sumatera Utara
2
67.81
72.1
74.19
0.35
Sumatera Barat
67.56
71.1
73.78
0.33
Riau
68.43
72.2
76.07
0.33
Kepulauan Riau
67.99
72.6
75.07
0.29
Sumatera Selatan
67.51
71.4
72.95
0.34
Kalimantan Tengah
67.65
72
74.64
0.3
Kalimantan Timur
67.63
73.2
75.56
0.37
DKI Jakarta
3
69.55
76.2
77.6
0.36
Sulawesi Utara
69.17
74.9
76.09
0.37
Jawa Tengah
4
62.37
72.6
72.49
0.34
Jawa Timur
61.29
71.7
71.62
0.34
Bali
61.67
74.3
72.28
0.37
Sulawesi Selatan
61.10
70.8
71.62
0.4
DI Yogyakarta
5
63.59
76
75.77
0.41
Nusa Tenggara Barat
6
56.23
67
65.2
0.4
Nusa Tenggara Timur
7
61.39
69.9
67.26
0.38
Kalimantan Barat
62.44
70.7
69.15
0.37
Sulawesi Barat
61.35
70.8
69.64
0.36
Sulawesi Tenggara
63.93
70.4
70
0.42
Papua
8
47.61
70
64.94
0.41
Setelah diketahui jumlah cluster yang terjadi dan pengelompokan masing-masing provinsi ke dalam cluster tersebut maka dilakukan analisis deskriptif pada masing-masing cluster. Hal ini untuk mengetahui gambaran karakteristik dari masing-masing cluster dan penanganan selanjutnya untuk masalah ketenagakerjaan dari cluster-cluster yang terbentuk. Hasil analisa deskriptif pada masing-masing cluster dapat dilihat pada Lampiran 2.
Hasil analisis deskriptif  hasil cluster dari semua provinsi yang ada di Indonesia, dapat diketahui bahwa untuk Indeks Pendidikan terendah adalah cluster 8 dengan nilai rata-rata sebesar 46,613 yaitu Provinsi Papua. Indeks Pendiikan ini tergolong rendah, dimana indeks pendidikan terdiri dari Angka Melek Huruf dan Angka Partispasi Sekolah. Jadi bisa disimpulkan bahwa penduduk di Papua masih banyak yang buta huruf dan angka partisipasi sekolahnya juga rendah/sedikit. Provinsi Papua juga memiliki Indeks Pembangunan Manusia (IPM) dan Gini Ratio yang paling rendah dibandingkan cluster lainnya. Nilai IPM Provinsi Papua sebesar 64,94 dan Gini Ratio sebesar 0,41. IPM dapat  digunakan  untuk  memperoleh  gambaran  secara menyeluruh tentang kondisi hasil pembangunan suatu negara atau daerah. Tiga  unsur pembangun IPM tersebut adalah indeks harapan hidup, indeks pendidikan, dan indeks pembelanjaan perkapita. Indeks Gini merupakan ukuran  kemerataan  pendapatan   yang dihitung berdasarkan  kelas  pendapatan.  Angka  koefisien Gini terletak antara 0 (nol) dan 1 (satu).  Nol  mencerminkan  kemerataan  sempurna  dan  satu  menggambarkan ketidakmerataan sempurna. Jadi Provinsi Papua perlu mendapatkan prioritas utama dalam pembangunan di segala sektor kehidupan terutama hal-hal yang meliputi Indeks Pendidikan, (IP) Indeks Pembangunan Manusia (IPM), dan Gini ratio. IP, IPM, dan Gini Ratio yang rendah mencerminkan sektor pendidikan, kemerataan pembangunan, dan kemerataan pendapatan yang rendah. 
Indeks Harapan Hidup (IHH) terendah terjadi di cluster 6 yaitu Provinsi Nusa Tenggara Barat dengan nilai 67. Hal ini mengindikasikan sektor kesehatan masyarakat di Nusa Tenggara Barat kurang memadai . Angka  harapan  hidup  sangat  dipengaruhi  oleh  kualitas  kesehatan,  diantara pola  hidup  sehat,  pola  konsumsi  makanan,  dan  kualitas  lingkungan  pemukiman. Sektor kesehatan menjadi prioritas utama dalam pembangunan di Provinsi Nusa Tenggara Barat. Provinsi Nusa Tenggara Barat perlu juga mendapat perhatian khusus untuk Indeks Pendidikan (IP), Indeks Pembangunan Manusia (IPM) karena memiliki nilai yang relatif rendah dibandingkan dengan cluster-cluster lainnya yaitu masing-masing sebesar 56,23 dan 65,3. Serta memiliki Indeks Gini ratio yang tinggi yaitu sebesar 0,4. Hal ini menunjukkan perlunya pembangunan di seluruh sektor. Provinsi Nusa Tenggara Barat memiliki prioritas pembangunan IP, IPM, dan Gini Ratio kedua setelah cluster 8 yaitu Provinsi Papua.
Pada Cluster 6 dan 8 memiliki Gini Ratio yang paling rendah dibandingkan dengan cluster-cluster lainnya dengan nilai sebesar 0,41. Nilai ini menunjukkan bahwa pemerataan pendapatan di cluster ini tidak merata. Anggota cluster 6 adalah Provinsi D.I. Yogyakarta, dan cluster 8 adalah Provinsi Papua.
Dari data didapatkan bahwa Provinsi Papua, Nusa Tenggara Barat, dan D.I. Yogyakarta memiliki Gini Ratio yang relatif tinggi yaitu sekitar 0,4 - 0,41sehingga menjadi prioritas dalam pemerataan pendapatan. Berikut tabel mengenai pembangunan berdasarkan 4 kriteria tersebut.
Kriteria Pembangunan Berdasarkan
Provinsi
Prioritas 1
Prioritas 2
IP
Papua
NTB
IHH
NTB

IPM
Papua
NTB
Gini Ratio
Papua dan DIY
NTB
                Kesimpulan
          Dari uraian yang telah dikemukakan dalam pembahasan maka dapat disimpulkan sebagai berikut :
  •    Hasil cluster pemerataan pembangunan Indonesia yang terdiri dari 33 propoinsi dapat dikelompokkan menjadi 8 cluster.
  •     Analisa cluster dapat mengelompokkan 33 provinsi ke dalam beberapa cluster dengan menggunakan kedekatan Rescaled Distance Cluster Combine berdasarkan 4 variabel yang ditetapkan yaitu IP, IHH, IPM dan Gini Ratio.
  •          Prioritas pembangunan berdasarkan Indeks Pendidikan (IP) adalah provinsi Papua dan Nusa Tenggara Barat
  •     Prioritas pembangunan berdasarkan Indeks Harapan Hidup (IHH) yaitu provinsi Nusa Tenggara Barat



DAFTAR PUSTAKA
BPS. 2006. Survei Angkatan Kerja Nasional.  Jakarta
BPS. 2007. Survei Angkatan Kerja Nasional. Jakarta
BPS. 2009. Data Strategis BPS. Jakarta
BPS. 2012. Perkembangan Beberapa Indikator Utama Sosial-Ekonomi Indonesia. Jakarta
Djamaluddin, Arief. 2009. Bahan Kuliah Ekonomi Pembangunan. Universitas Borobudur. Jakarta
Dumairi.  1996.  Matematika  Terapan  Untuk  Bisnis  dan  Ekonomi.  Edisi  ke-2.  Yogyakarta: BFE.
Kuncoro, Mudrajad. 2006. Ekonomika Pembangunan : Teori, Masalah dan Kebijakan. UPP edisi ke-4. UPP STIM YKPN. Yogyakarta.
Santoso, Singgih. 2012. Aplikasi SPSS pada Statistik Multivariat. Kompas Gramedia. Jakarta
Sharma, S.1996. Applied Multivariate Techniques. New York: John Wiley & Sons, Inc.
Siswadi dan B. Suharjo. 1998. Analisis Eksplorasi Data Peubah Ganda. Tugas Akhir Tidak diterbitkan. Bogor: Jurusan Matematika Fakultas MIPA IPB, Bogor.
Yudha, Aditya Ananta. 2012. Pemerataan Pembangunan. Kompasiana. Jakarta

Download disini




6 komentar untuk "Pembangunan Indonesia Belum Merata"

  1. pembahasan yang menarik mengenai pemaparan kemakmuran rakyat Indonesia yang dipetakan berdasarkan propinsi di seluruh Indonesia, tetapi menurut saya sebaiknya dijelaskan pula faktor2 yang menyebabkan rendahnya Indeks Pendidikan (IP), Indeks Harapan Hidup (IHH), Indeks Pembangunan Manusia (IPM) dan Gini Ratio.

    BalasHapus
  2. Komentar ini telah dihapus oleh pengarang.

    BalasHapus
  3. Sepertinya untuk meratakan pembangunan masih perlu usaha lebih dari pemerintah. APakah Indonesia memang terlalu beragam untuk diratakan? Apakah kebhinekaan justru menjadi halangan? Padahal bukankah motto bhineka tunggal ika menunjukkan bahwa Kebhinekaan seharusnya justru menjadi alasan untuk bersatu dan belajar satu sama lain dan bukan malah memperbesar gap yang ada?

    BalasHapus
  4. karena bangsa kita sangat luas, yang terdiri dari berbagai pulau, sehingga sangat sulit untuk dijangkau.
    tapi semoga saja dengan adanya ini, pemerintah bisa terbuka lebar dan lebih memperhatikan apa yang masih kurang

    BalasHapus
  5. sebuah karya yang cukup menarik
    perlu adanya saran2 untuk perbaikan dari berbagai faktor2 yang ada berupa kegiatan2 yang konkret dapat dilaksanakan

    BalasHapus