“PEMETAAN TINGKAT KESEJAHTERAAN MASYARAKAT

UNTUK MENENTUKAN PRIORITAS PENYALURAN

BANTUAN SOSIAL PEMERINTAH”

Oleh:

KELOMPOK 9

1. Cynthia Atika Dewi (no. urut 4)

2. Laurenza Sitorus (no. urut 13)
3. Yanuar Fiskar Imapo (no. urut 27)

UNTUK MEMENUHI TUGAS ANALITIKA DATA KEUANGAN SEKTOR PUBLIK

TAHUN AJARAN 2023/2024
A. Pendahuluan

Dalam RPJMN 2020-2024, Pemerintah Indonesia menargetkan tingkat

kemiskinan di Indonesia sekitar 6-7% dan target kemiskinan ekstrem 0% pada
tahun 2024. Untuk mencapai target ini, Pemerintah Indonesia melakukan
percepatan pengentasan kemiskinan salah satunya dengan memberikan bantuan
sosial bagi masyarakat dengan tingkat kesejahteraan rendah (masyarakat
miskin).

Namun dalam implementasinya, terdapat beberapa kendala yang dihadapi.

Mengutip Rahmansyah et al. (2020) dan Suparmadi & Santoso (2019), beberapa
kendala tersebut antara lain banyaknya kebijakan yang dikeluarkan terkait dengan
jenis bantuan sosial menyebabkan kebingungan, skema bantuan kurang optimal,
distribusi bantuan sosial belum optimal (kurangnya kesiapan pemerintah dalam
pendistribusian dan rentan kebocoran), serta pemilihan penerima bantuan belum
akurat dan hanya berdasarkan perkiraan beberapa faktor tanpa menggunakan
pemilihan berdasarkan kriteria tertentu. Hal tersebut diperkuat dengan kriteria
pemberian bantuan sosial di masing-masing kementerian/lembaga berbeda-beda.

Berdasarkan permasalahan kriteria pemberian bantuan sosial yang tidak

terintegrasi tersebut, kami membuat sebuah analisa untuk memetakan tingkat
kesejahteraan masyarakat Indonesia agar dapat digunakan sebagai salah satu
pertimbangan Pemerintah dalam menentukan daerah mana yang menjadi
prioritas pemberian bantuan sosial.

Untuk melakukan analisa ini, kami menggunakan dataset yang sesuai dengan
indikator kesejahteraan sosial menurut BPS, diantaranya indikator terkait
kependudukan, kesehatan dan gizi, pendidikan, ketenagakerjaan, taraf dan pola
konsumsi, perumahan dan lingkungan, kemiskinan, serta sosial lainnya yang
menjadi acuan dalam upaya peningkatan kualitas hidup.

Melalui analisa data yang dilakukan, diharapkan penyaluran bantuan sosial

menjadi lebih akurat atau tepat sasaran melalui peningkatan kualitas penentuan
kriteria penerima bantuan sosial di Indonesia.
B. Metodologi

1. Dataset yang Digunakan

Data yang digunakan adalah data persentase penduduk miskin, pengeluaran

per kapita, rata-rata lama sekolah, Indeks Pembangunan Manusia (IPM),
persentase jumlah rumah tangga yang memiliki akses layanan sanitasi,
persentase merokok pada penduduk umur ≥15 tahun, indeks kedalaman
kemiskinan, indeks keparahan kemiskinan, prevalensi ketidakcukupan
konsumsi pangan, dan tingkat pengangguran terbuka yang didapatkan dari
publikasi data oleh Badan Pusat Statistik. Data yang diambil merupakan data
spasial per provinsi di Indonesia pada Tahun 2022. Pengunduhan data
dilakukan melalui website Badan Pusat Statistik. Data yang didapat terdiri dari
data semester dan tahunan, namun yang digunakan hanyalah data tahunan.
Sehingga data yang sudah diunduh akan diolah lagi, untuk kemudian dibuat
daftar per provinsi di Indonesia, yaitu sebanyak 34 provinsi. Dengan begitu,
jumlah data yang digunakan adalah sebanyak 340 feature dengan 10 variabel.

2. Metode Data Mining

Metode data mining yang digunakan adalah algoritma K-means. K-Means

adalah salah satu algoritma clustering pada tugas data mining yang
digunakan untuk mempartisi sekumpulan data ke dalam kelompok tertentu.
Clustering merupakan jenis pembelajaran mesin yang tidak diawasi
(unsupervised learning) sehingga akan bekerja untuk mengelompokkan
sekumpulan data atau objek ke dalam beberapa kelompok sesuai dengan
karakteristik yang dimiliki oleh data tersebut (Fammaldo & Hakim, 2019).

Cara kerja algoritma k-means adalah dengan menentukan jumlah cluster yang
diinginkan terlebih dahulu, kemudian menentukan titik pusat dari setiap cluster
(biasanya dengan menggunakan teknik random atau mengambil titik data
secara acak), dan kemudian mengelompokkan data ke dalam cluster
berdasarkan jarak terdekat dari titik pusat cluster tersebut. Setelah semua
data berkelompok, algoritma akan memutakhirkan titik pusat dari setiap
cluster dengan menghitung rata-rata dari semua titik data yang ada di dalam
cluster tersebut, dan kemudian mengulangi proses pengelompokan data
 hingga titik pusat cluster tidak lagi berubah atau hingga jumlah iterasi yang
ditentukan telah tercapai (Bahauddin et al., 2021).

3. Tahapan Penelitian

Standar proses data mining yang akan digunakan adalah CRISP-DM (Cross
Industry Standard Process for Data Mining) yang memiliki 6 (enam) tahapan
sebagai berikut:

a. Business Understanding

Pada tahap ini membutuhkan pemahaman akan objek bisnis yang

datanya akan diolah, kemudian pemahaman tentang bagaimana
mendapatkan data untuk kemudian dicocokkan dengan pemodelan yang
akan dibuat, yang cocok dengan tujuan bisnis.

b. Data Understanding

Pada tahap ini pemeriksaan data dilakukan untuk mengidentifikasi

masalah dalam data (seperti data yang tidak ada/missing) sehingga tidak
mengganggu pengolahan data pada tahap modelling.

c. Data Preparation

Kegiatan yang dilakukan yakni memilih kasus dan menentukan parameter

yang akan dianalisis, melakukan transformasi terhadap parameter
tertentu, dan memastikan bahwa data siap diolah.

d. Modelling

Modelling dilakukan untuk membuat model prediktif dan deskriptif. pada

tahap ini menentukan teknik data mining, alat bantu data mining, dan
algoritma data mining yang akan diterapkan. Kemudian penerapan teknik
dan algoritma tersebut diterapkan untuk data menggunakan alat bantu
yang ditentukan, dalam hal ini adalah “Orange” dan modelling yang
digunakan adalah model clustering.
 e. Evaluation

Evaluasi dilakukan terhadap model yang diterapkan, kemudian ditentukan

apakah model yang digunakan telah sesuai untuk pengolahan data yang
dilakukan dan tujuan pengolahan data tercapai atau tidak.

f. Deployment

Merupakan rencana penggunaan model. Model yang dibangun dari data

yang diwakili pada periode waktu tertentu, sehingga perubahan waktunya
nantinya akan menyebabkan berubahnya karakteristik data. Pemilihan
model juga harus dipantau dan disesuaikan sesuai dengan data yang ada
dan tujuan dari pengolahan data.

C. Hasil dan Pembahasan

Sebelum memasukkan data ke aplikasi pengolahan data “orange”, data yang

menjadi variabel pengolahan telah dirapikan dan di-cleansing terlebih dahulu di
Microsoft Excel. Hasil kegiatan tersebut dapat dilihat sebagaimana pada Lampiran
I.

Dari hasil pengolahan data pada aplikasi orange, dengan menggunakan 4

clustering data. Diperoleh hasil sebagai berikut:
Tabel Hasil Clustering:

Cluster Provinsi

C1 Jawa Timur, Kalimantan Barat, Kep. Bangka Belitung,

Kalimantan Selatan, Jambi, Sulawesi Selatan, Riau, Kalimantan
Utara, Kalimantan Tengah, Maluku Utara, Sulawesi Tenggara

C2 Papua dan Papua Barat

C3 Kep. Riau, Banten, DKI Jakarta, Sulawesi Utara, Kalimantan

Timur, Bali, DI Yogyakarta

C4 Sumatera Selatan, Lampung, Bengkulu, Nusa Tenggara Timur,

Nusa Tenggara Barat, Sulawesi Tengah, Gorontalo, Sulawesi
Barat

Empat klaster data tersebut menunjukkan tingkat prioritas penyaluran bantuan

sosial yang mempertimbangkan variabel-variabel yang telah ditentukan
sebelumnya. Adapun langkah-langkah yang dilakukan dalam pengolahan data
dapat dilihat pada Lampiran II.

Dengan melakukan analisa indikator persentase penduduk miskin pada dataset,

maka dapat ditentukan leveling cluster sbb:

Nama Cluster Leveling cluster Keterangan

C1 3 Kurang Prioritas

C2 1 Sangat Prioritas

C3 4 Tidak Prioritas

C4 2 Prioritas
 Level 1 mengindikasikan tingkat kesejahteraan masyarakat yang paling rendah
sehingga termasuk kategori sangat prioritas, Level 2 kategori prioritas, Level 3
kurang prioritas dan Level 4 tidak prioritas. Urutan cluster dari yang paling prioritas
sampai dengan tidak prioritas adalah C2, C4, C1, C3.

D. Simpulan

Dari hasil pengolahan data menggunakan metode clustering dengan algoritma K-

means, dapat disimpulkan bahwa dari keempat cluster yang terbentuk diketahui
bahwa C2 berada pada level 1 yang berarti bahwa provinsi yang berada pada
cluster tersebut menjadi prioritas utama pemberian bantuan sosial Pemerintah.
kemudian disusul C4, C1 dan yang terakhir C3. Yang menjadi prioritas utama
penerima bantuan sosial adalah Provinsi Papua dan Papua Barat, lalu disusul
Provinsi Sumatera Selatan, Bengkulu, Lampung, NTB, NTT, Sulawesi Tengah,
Gorontalo dan Sulawesi Barat.

E. Saran
Atas analisis data yang telah dilakukan, kami menyarankan supaya:
1. Hasil dari analisa ini dapat digunakan sebagai bahan pertimbangan
pengambilan keputusan oleh Pemerintah dalam menetapkan prioritas
penerima bantuan sosial dengan pengintegrasian kriteria penerima bantuan
sosial, sehingga bantuan sosial dapat disalurkan dengan lebih akurat dan
tepat sasaran.
2. Model ini perlu dikembangkan lebih lanjut lagi seperti menambah dataset
(indikator tingkat kesejahteraan masyarakat yang relevan lainnya) dan juga
perlu dibuat model lainnya sebagai bahan perbandingan.
 DAFTAR PUSTAKA

Badan Pusat Statistik Republik Indonesia. (2021). Indikator Kesejahteraan Rakyat

2021. Badan Pusat Statistik Republik Indonesia.

Bahauddin, A., Fatmawati, A., & Sari, F. P. (2021). Analisis Clustering Provinsi di
Indonesia Berdasarkan Tingkat Kemiskinan Menggunakan Algoritma K-
Means. Jurnal Manajemen Informatika Dan Sistem Informasi, 4(1), 1–8.

Fammaldo, E., & Hakim, L. (2019). Penerapan Algoritma K-Means Clustering Untuk
Pengelompokan Tingkat Kesejahteraan Keluarga Untuk Program Kartu
Indonesia Pintar. Jurnal Ilmiah Teknologi Informasi Terapan, 5(1), 23–31.

Rahmansyah, W., Qadri, R. A., Sakti, RTS R. A., & Ikhsan, S. (2020). Pemetaan
Permasalahan Penyaluran Bantuan Sosial untuk Penanganan Covid-19 di
Indonesia. Jurnal Pajak dan Keuangan Negara, 2(1), 90–102.

Suparman & Santoso. (2019). Sistem Pendukung Keputusan Seleksi Penerima

Bantuan Sosial untuk Keluarga Miskin dengan Metode Simple Additive
Weighting (SAW). Journal of Science and Social Research, 2(1), 21–28.
 LAMPIRAN I
DATASET CLUSTERING

Persentase Indeks Prevalensi

Presentase Pengeluaran RT yang Indeks Tingkat
Rata-rata Lama Merokok Pada Keparahan Ketidakcukupan
Provinsi Penduduk per IPM memiliki aksen Kedalaman Pengangguran
Sekolah Penduduk Umur Kemiskinan Konsumsi
Miskin Kapita layanan sanitasi Kemiskinan terbuka
≥ 15 Tahun (P2) Pangan
ACEH 14.75 9.963 9.44 72.80 77.48 27.58 2.90 0.78 10.98 6.17
SUMATERA UTARA 8.33 10.848 9.71 72.71 82.30 25.32 1.41 0.34 8.70 6.16
SUMATERA BARAT 5 11.130 9.18 73.26 69.27 30.27 0.86 0.17 7.31 6.28
RIAU 6.84 11.158 9.22 73.52 84.06 26.86 0.97 0.19 15.12 4.37
JAMBI 7.70 10.871 8.68 72.14 79.54 28.62 1.19 0.24 12.14 4.59
SUMATERA SELATAN 11.95 11.109 8.37 70.90 78.62 30.49 1.79 0.39 7.37 4.63
BENGKULU 14.34 10.840 8.91 72.16 79.58 32.16 2.17 0.47 11.66 3.59
LAMPUNG 11.44 10.336 8.18 70.45 83.65 33.81 1.70 0.39 14.63 4.52
KEP. BANGKA BELITUNG 4.61 13.358 8.11 72.24 91.63 26.84 0.43 0.06 15.19 4.77
KEP. RIAU 5 14.469 10.37 76.46 87.74 45.16 0.89 0.19 11.30 8.23
DKI JAKARTA 4.61 18.927 11.31 81.65 92.79 21.25 0.68 0.16 3.42 7.18
JAWA BARAT 6 11.277 8.78 73.12 74.02 32.07 1.24 0.29 6.75 8.31
JAWA TENGAH 6 11.377 7.93 72.79 84.37 28.72 1.75 0.42 12.34 5.57
DI YOGYAKARTA 11.49 14.482 9.75 80.64 96.21 23.97 1.53 0.28 13.48 4.06
JAWA TIMUR 10.49 11.992 8.03 72.75 81.13 28.51 1.62 0.36 10.27 5.49
BANTEN 6.24 12.216 9.13 73.32 85.12 31.21 0.79 0.16 2.46 8.09
BALI 4.53 13.942 9.39 76.44 95.94 17.91 0.56 0.10 7.72 4.80
NUSA TENGGARA BARAT 13.82 10.681 7.61 69.46 83.12 33.20 2.57 0.65 2.24 2.89
NUSA TENGGARA TIMUR 20.23 7.877 7.70 65.90 73.70 26.76 3.74 0.95 13.74 3.54
KALIMANTAN BARAT 6.81 9.355 7.59 68.63 77.41 26.64 1.10 0.24 19.22 5.11
KALIMANTAN TENGAH 5.22 11.458 8.65 71.63 74.33 26.54 0.66 0.12 12.83 4.26
KALIMANTAN SELATAN 4.61 12.469 8.46 71.84 82.55 21.89 0.63 0.15 4.47 4.74
KALIMANTAN TIMUR 6.44 12.641 9.92 77.44 90.33 22.21 0.78 0.12 16.19 5.71
KALIMANTAN UTARA 6.86 9.350 9.27 71.83 82.22 24.23 0.60 0.10 23.01 4.33
SULAWESI UTARA 7.34 11.179 9.68 73.81 84.05 25.29 1.11 0.25 6.22 6.61
SULAWESI TENGAH 12.30 9.696 8.89 70.28 75.01 45 2.15 0.54 11.92 3.00
SULAWESI SELATAN 8.66 11.430 8.63 72.82 92.24 23.76 1.50 0.35 10.79 4.51
SULAWESI TENGGARA 11.27 9.708 9.25 72.23 87.07 23.35 2.05 0.51 17.14 3.36
GORONTALO 15.51 10.687 8.02 69.81 79.82 30.38 2.85 0.69 18.63 2.58
SULAWESI BARAT 11.92 9.358 8.08 66.92 78.88 25.36 2.09 0.52 9.82 2.34
MALUKU 16.23 8.876 10.19 70.22 76.47 26.80 3.08 0.84 31.68 6.88
MALUKU UTARA 6.37 8.398 9.24 69.47 79.39 28.82 1.23 0.34 30.71 3.98
PAPUA BARAT 21.43 8.101 7.84 65.89 73.52 24.80 5.25 1.82 29.38 5.37
PAPUA 26.80 7.146 7.02 61.39 40.34 22.22 7.28 2.82 36.18 2.83
 LAMPIRAN II
LANGKAH PENGOLAHAN DATA MENGGUNAKAN APLIKASI ORANGE

Aplikasi yang digunakan adalah orange. Model di-desain dengan menggunakan

metode clustering dan algoritma K-means. Langkah-langkah yang dilakukan:
1. Menginput dataset ke dalam orange
Diketahui informasi dataset adalah sebagai berikut:

2. Untuk mengetahui rincian dataset awal, menggunakan widget Data Table.

Hasilnya adalah sebagai berikut:
3. Melakukan preprocessing data dengan widget preprocess.
Pada pengaturan Normalize Features, pilih Normalize to interval [0,1] (nilai
pada dataset diubah menjadi rentang nilai 0 - 1).
Hasilnya dataset yang telah diubah:

4. Melakukan clustering dengan algoritma K-means. Untuk clustering kami

menetapkan 4 cluster yaitu C1, C2, C3 dan C4.
Hasilnya:
5. Visualisasi hasil clustering dengan menggunakan scatter plot. Hasilnya: