1 PENDAHULUAN
1.1 Latar Belakang
Pemerintahan suatu negara memiliki upaya dalam mewujudkan kesejahteraan masyarakat negaranya. Adapun di Indonesia, hal tersebut tercantum dalam Pembukaan UUD Negara Republik Indonesia tahun 1945. Dimana pembangunan kesejahteraan sosial merupakan perwujudan dari upaya mencapai tujuan bangsa Indonesia. Namun masyarakat Indonesia apabila dibandingkan dengan negara lain di dunia cenderung belum cukup bahagia. Hal tersebut dapat dibuktikan dari laporan kebahagiaan dunia tahun 2023, yang menyatakan bahwa Indonesia berada di posisi ke-84 dari 137 negara (Helliwell, J., Layard, R., Sachs, dkk. 2023).
Selama ini studi mengenai kesejahteraan rakyat berkaitan erat pada objek ekonomi. Padahal nyatanya kesejahteraan rakyat merupakan hal yang kompleks, serta tidak hanya bergantung pada objek ekonomi saja. Menurut Sentia dan Lince (2023), indikator pengukuran perkapita melalui GDP sebagai objek ekonomi tidak dapat menjadi acuan dalam mengukur kesejahteraan masyarakat karena hubungan antara GDP dengan kesejahteraan tidak berbanding lurus. Dengan demikian, diperlukan aspek lain yang perlu menjadi tolak ukur kesejahteraan masyarakat Indonesia.
Kebahagiaan masyarakat merupakan aspek yang dapat mencerminkan kesejahteraan secara individual. Tingkat kebahagiaan dapat dijelaskan oleh nilai indeks kebahagiaannya. Berdasarkan data yang telah dikumpulkan oleh Badan Pusat Statistik (BPS) tahun 2022, indeks kebahagiaan diukur menggunakan tiga dimensi. Ketiga dimensi tersebut yaitu Kepuasan Hidup (Life Satisfaction), Perasaan (Affect), dan Makna Hidup (Eudaimonia). Dimensi kepuasan hidup pada indeks kebahagiaan dapat dijadikan acuan dalam mewujudkan kesejahteraan masyarakat dengan mengukur keberhasilan pembangunan nasional, dimana kemunduran pembangunan suatu wilayah dapat menurunkan tingkat kepuasan hidup masyarakat dalam wilayah tersebut.
Peningkatan kualitas pembangunan melalui pembuatan kebijakan publik yang memperhatikan indeks kebahagiaan perlu dilakukan. Selanjutnya setelah kebijakan terbentuk dan terlaksana, maka perlu dilakukan evaluasi kinerja terhadap kebijakan tersebut. Namun ternyata terdapat disparitas kepuasan hidup antar provinsi di Indonesia sehingga memerlukan pengklasifikasian dengan melakukan pengelompokkan (clustering). Salah satu metode yang dapat digunakan adalah Analisis Cluster Hierarki. Metode tersebut dipilih karena banyaknya cluster yang ingin dibentuk belum diketahui. Pengelompokkan berdasarkan provinsi yang terbentuk nantinya diharapkan dapat dijadikan acuan dalam pembuatan kebijakan publik. Sebab dengan memperhatikan kepuasan hidup masyarakatnya, pemerintah dapat memperhatikan provinsi yang memerlukan perhatian lebih serta pendekatan yang dapat dilakukan.
1.2 Tujuan
Adapun beberapa tujuan dari penelitian ini yaitu: Pertama, mengetahui hasil pengelompokkan provinsi di Indonesia berdasarkan indeks kebahagiaan dimensi kepuasan hidup tahun 2021 menggunakan analisis cluster hierarki. Kedua, mengetahui perwujudan pemerataan indeks kebahagiaan dimensi kepuasan hidup masyarakat tahun 2021 di Indonesia. Ketiga, mengidentifikasi provinsi di Indonesia yang perlu peningkatan kepuasan hidup masyarakatnya.
1.3 Landasan Teori
1.3.1 Teori Kebahagiaan
Menurut Veenhoven (1994), kebahagiaan didefinisikan sebagai sejauh mana seseorang secara aktif menentukan kualitas hidupnya secara keseluruhan. Kebahagiaan menurutnya terdiri dari dua komponen yaitu afektif dan kognitif. Aspek kognitif ditandai dengan kepuasan hidup, sedangkan aspek afektif ditandai dengan perasaan emosional positif dan negatif dalam segala bidang kehidupan. Sedangkan menurut filsafat Suryomentaraman, (dalam Theresia 2016) dinyatakan bahwa kebahagiaan adalah kondisi tenteram, nyaman, tidak berkonflik, bebas dari keinginan yang tidak pada tempatnya dan tidak terikat sesuatu.
Menurut BPS (2022) Indeks kebahagiaan dengan sub dimensi kepuasan hidup terdiri dari sepuluh aspek yang bersama-sama merefleksikan tingkat kebahagiaan yang meliputi: pendidikan, pekerjaan, pendapatan rumah tangga, kesehatan, kondisi rumah dan aset, hubungan sosial, keadaan lingkungan, kondisi keamanan, keharmonisan keluarga, serta ketersediaan waktu luang. Penelitian menunjukkan bahwa aspek-aspek kepuasan hidup mempengaruhi indeks kebahagiaan.
1.3.2 Teori Kepuasan Hidup
Menurut Brierley (dalam Fikri, Masruri, Pardomuan 2024) kepuasan hidup diartikan sebagai kebahagiaan yang dihasilkan dari terpenuhinya kebutuhan atau keinginan dan merupakan sebab atau sarana kenikmatan. Teori tersebut dapat digunakan untuk menjelaskan bagaimana keterkaitan antara kepuasan hidup dengan kebahagiaan seseorang individu. Kepuasan hidup adalah konsep yang kompleks, dan faktor-faktor ini saling berhubungan dan berpengaruh satu sama lain. Seseorang yang memiliki hubungan sosial yang baik mungkin lebih mampu mengatasi stres di tempat kerja, dan kesehatan yang baik dapat meningkatkan kemampuan untuk memberikan kontribusi secara sosial. Kombinasi dari faktor-faktor ini dapat membantu seseorang mencapai tingkat kebahagiaan dan kepuasan hidup yang lebih tinggi.
1.4 Data
Penelitian ini menggunakan data sekunder yang diperoleh Badan Pusat Statistik dalam publikasinya yang berjudul Dimensi Kepuasan Hidup Indeks Kebahagiaan 2017-2021. Data yang digunakan merupakan data Indeks Kebahagiaan menurut Dimensi Kepuasan Hidup yang terdiri dari 38 provinsi di Indonesia pada tahun 2021. Dimensi kepuasan hidup terdiri dari dua sub dimensi, yaitu sub dimensi personal dan sub dimensi sosial. Sub dimensi personal menggambarkan kebahagiaan yang diukur dari aspek personal. Sub dimensi ini terdiri atas lima indikator penyusun sub dimensi yaitu pendidikan, pekerjaan, pendapatan rumah tangga, kesehatan, serta kondisi rumah dan aset. Sedangkan sub dimensi sosial menggambarkan kebahagiaan yang diukur dari aspek sosial. Sub dimensi ini terdiri atas lima indikator penyusun sub dimensi yaitu hubungan sosial, keadaan lingkungan, kondisi keamanan, keharmonisan keluarga, serta ketersediaan waktu luang.
2 SOURCE CODE
2.1 Library
2.2 Impor Data
2.3 Statistik Deskriptif
> summary(DataCluster[,2:11])
Personal_Pendidikan Personal_Pekerjaan Personal_Pendapatan Personal_Kesehatan
Min. :56.81 Min. :69.06 Min. :62.97 Min. :73.38
1st Qu.:61.65 1st Qu.:71.45 1st Qu.:65.59 1st Qu.:76.08
Median :62.55 Median :73.04 Median :67.56 Median :76.66
Mean :63.95 Mean :73.75 Mean :67.77 Mean :77.08
3rd Qu.:67.76 3rd Qu.:75.42 3rd Qu.:69.50 3rd Qu.:77.74
Max. :71.25 Max. :79.32 Max. :74.14 Max. :80.99
Personal_KondisiRumah Sosial_HubunganSosial Sosial_Lingkungan Sosial_Keamanan
Min. :69.59 Min. :74.59 Min. :78.39 Min. :76.89
1st Qu.:72.79 1st Qu.:78.60 1st Qu.:80.98 1st Qu.:80.56
Median :74.03 Median :80.22 Median :81.88 Median :81.91
Mean :74.44 Mean :80.26 Mean :81.93 Mean :82.06
3rd Qu.:75.67 3rd Qu.:81.91 3rd Qu.:83.06 3rd Qu.:83.55
Max. :80.05 Max. :85.22 Max. :85.71 Max. :86.39
Sosial_KeharmonisanKeluarga Sosial_WaktuLuang
Min. :79.04 Min. :72.26
1st Qu.:82.25 1st Qu.:75.38
Median :84.20 Median :76.81
Mean :84.25 Mean :76.80
3rd Qu.:86.22 3rd Qu.:78.13
Max. :89.02 Max. :82.16 2.4 Uji Asumsi
2.4.1 Uji Kecukupan Sampel
> KMO(DataCluster[,2:11])
Kaiser-Meyer-Olkin factor adequacy
Call: KMO(r = DataCluster[, 2:11])
Overall MSA = 0.82
MSA for each item =
Personal_Pendidikan Personal_Pekerjaan
0.76 0.81
Personal_Pendapatan Personal_Kesehatan
0.84 0.87
Personal_KondisiRumah Sosial_HubunganSosial
0.84 0.75
Sosial_Lingkungan Sosial_Keamanan
0.84 0.70
Sosial_KeharmonisanKeluarga Sosial_WaktuLuang
0.87 0.86 2.4.2 Uji Non Multikolinearitas
> DataCluster2 <- data.frame(Provinsi <- DataCluster$Provinsi,
+ Personal_Pendidikan <- DataCluster$Personal_Pendidikan,
+ Personal_Pendapatan <- DataCluster$Personal_Pendapatan,
+ Personal_KondisiRumah <- DataCluster$Personal_KondisiRumah,
+ Sosial_Lingkungan <- DataCluster$Sosial_Lingkungan,
+ Sosial_Keamanan <- DataCluster$Sosial_Keamanan,
+ Sosial_Keharmonisan <- DataCluster$Sosial_KeharmonisanKeluarga)
> colnames(DataCluster2) <- c("Provinsi", "Personal_Pendidikan", "Personal_Pendapatan", "Personal_KondisiRumah",
+ "Sosial_Lingkungan", "Sosial_Keamanan", "Sosial_Keharmonisan")
> datatable(DataCluster2, options = list(pageLength = 9, autoWidth = TRUE), caption="Data Tanpa Multikolinearitas")
2.5 Analisis Cluster
2.5.1 Penentuan Metode Analisis Cluster Hierarki
> BestMethod <- function(Data) {
+
+ # Menghitung Jarak Euclidean
+ d1 <- dist(Data[,2:7], method="euclidean")
+
+ # Single Linkage
+ hiers <- hclust(d1, method="single")
+ d2 <- cophenetic(hiers)
+ cors <- cor(d1, d2)
+
+ # Average Linkage
+ hierave <- hclust(d1, method="average")
+ d3 <- cophenetic(hierave)
+ corave <- cor(d1, d3)
+
+ # Complete Linkage
+ hiercomp <- hclust(d1, method="complete")
+ d4 <- cophenetic(hiercomp)
+ corcomp <- cor(d1, d4)
+
+ # Centroid Linkage
+ hiercen <- hclust(d1, method="centroid")
+ d5 <- cophenetic(hiercen)
+ corcen <- cor(d1, d5)
+
+ # Ward's Method
+ hierward <- hclust(d1, method="ward.D")
+ d6 <- cophenetic(hierward)
+ corward <- cor(d1, d6)
+
+ # Menyusun hasil dalam data frame
+ KorCop <- data.frame(Method = c("Single Linkage", "Average Linkage",
+ "Complete Linkage", "Centroid Linkage", "Ward's Method"),
+ Correlation = round(c(cors, corave, corcomp, corcen, corward),2))
+
+ # Mencari metode dengan korelasi cophenetic tertinggi
+ Keputusan <- KorCop[which.max(KorCop$Correlation), ]
+
+ # Menampilkan metode terbaik
+ print(KorCop)
+ print(paste("Metode terbaik berdasarkan korelasi cophenetic adalah", Keputusan$Method))
+ print(paste("dengan nilai korelasi cophenetic sebesar", round(Keputusan$Correlation, 2)))
+ }
> BestMethod(DataCluster2)
Method Correlation
1 Single Linkage 0.67
2 Average Linkage 0.76
3 Complete Linkage 0.70
4 Centroid Linkage 0.73
5 Ward's Method 0.71
[1] "Metode terbaik berdasarkan korelasi cophenetic adalah Average Linkage"
[1] "dengan nilai korelasi cophenetic sebesar 0.76"2.5.2 Penentuan Jumlah Cluster Optimal
> rownames(DataCluster2) <- 1:nrow(DataCluster2)
> InVal <- clValid(DataCluster2[2:7], 2:7, clMethods="hierarchical",
+ validation="internal", metric="euclidean", method="average")
> optimalScores(InVal)
Score Method Clusters
Connectivity 6.4686508 hierarchical 2
Dunn 0.4130110 hierarchical 7
Silhouette 0.4192031 hierarchical 22.5.3 Hasil Cluster
> ClustHier <- eclust(DataCluster2[2:7], FUNcluster="hclust", k = 2,
+ hc_method="average", graph=TRUE)
> ClustHier
Call:
stats::hclust(d = x, method = hc_method)
Cluster method : average
Distance : euclidean
Number of objects: 34
> Dendrogram <- fviz_dend(ClustHier, rect=TRUE, cex=0.5)
> Dendrogram
> Anggota <- data.frame(id=DataCluster2$Provinsi, cutree(ClustHier, k=2))
> Anggota
id cutree.ClustHier..k...2.
1 ACEH 1
2 SUMATERA UTARA 1
3 SUMATERA BARAT 1
4 RIAU 1
5 JAMBI 1
6 SUMATERA SELATAN 1
7 BENGKULU 1
8 LAMPUNG 1
9 KEP. BANGKA BELITUNG 1
10 KEP. RIAU 2
11 DKI JAKARTA 2
12 JAWA BARAT 1
13 JAWA TENGAH 1
14 DI YOGYAKARTA 1
15 JAWA TIMUR 1
16 BANTEN 1
17 BALI 1
18 NUSA TENGGARA BARAT 1
19 NUSA TENGGARA TIMUR 1
20 KALIMANTAN BARAT 1
21 KALIMANTAN TENGAH 1
22 KALIMANTAN SELATAN 1
23 KALIMANTAN TIMUR 2
24 KALIMANTAN UTARA 2
25 SULAWESI UTARA 2
26 SULAWESI TENGAH 2
27 SULAWESI SELATAN 1
28 SULAWESI TENGGARA 1
29 GORONTALO 2
30 SULAWESI BARAT 1
31 MALUKU 2
32 MALUKU UTARA 2
33 PAPUA BARAT 2
34 PAPUA 1
> Karakteristik <- aggregate(DataCluster2[2:7], list(ClustHier$cluster), mean)
> Karakteristik
Group.1 Personal_Pendidikan Personal_Pendapatan Personal_KondisiRumah
1 1 61.8925 66.52333 73.18083
2 2 68.9000 70.76800 77.47700
Sosial_Lingkungan Sosial_Keamanan Sosial_Keharmonisan
1 81.58125 81.62917 83.28917
2 82.76400 83.10000 86.565003 HASIL DAN PEMBAHASAN
3.1 Statistik Deskriptif
| Variabel | Minimum | Rata-Rata | Maksimum |
|---|---|---|---|
| Pendidikan | 56.81 | 63.95 | 71.25 |
| Pekerjaan | 69.09 | 73.75 | 79.32 |
| Pendapatan Rumah Tangga | 62.97 | 67.77 | 74.14 |
| Kesehatan | 73.38 | 77.08 | 80.99 |
| Kondisi Rumah & Aset | 69.59 | 74.44 | 80.05 |
| Hubungan Sosial | 74.59 | 80.26 | 85.22 |
| Keadaan Lingkungan | 78.39 | 81.93 | 85.71 |
| Kondisi Keamanan | 76.89 | 82.06 | 86.39 |
| Keharmonisan Keluarga | 79.04 | 84.25 | 89.02 |
| Ketersediaan Waktu Luang | 72.26 | 76.80 | 82.16 |
Berdasarkan tabel di atas, dapat dilihat bahwa nilai minimum, rata-rata, dan maksimum bagi tiap variabel memiliki jangkauan nilai yang sama. Seluruh nilai tiap variabel berupa indeks yang memiliki satuan pengukuran sama, sehingga tidak perlu dilakukan standarisasi data.
3.2 Uji Asumsi
3.2.1 Uji Kecukupan Sampel
| Variabel | KMO |
|---|---|
| Pendidikan | 0.76 |
| Pekerjaan | 0.81 |
| Pendapatan Rumah Tangga | 0.84 |
| Kesehatan | 0.87 |
| Kondisi Rumah & Aset | 0.84 |
| Hubungan Sosial | 0.75 |
| Keadaan Lingkungan | 0.84 |
| Kondisi Keamanan | 0.70 |
| Keharmonisan Keluarga | 0.87 |
| Ketersediaan Waktu Luang | 0.86 |
Berdasarkan tabel di atas, masing-masing variabel memiliki nilai KMO lebih besar dari 0.5 sehingga didapatkan bahwa sampel telah cukup untuk bisa melanjutkan analisis cluster.
3.2.2 Uji Non Multikolinearitas
Berdasarkan gambar di atas, terdapat beberapa sel dalam matriks korelasi dengan nilai mutlaknya lebih besar dari 0.8 yang menandakan adanya multikolinearitas antar variabel tersebut. Pada kasus ini tidak dilakukan transformasi sebagai penanganan, karena variabel yang memiliki korelasi lebih besar dari 0.8 memang berhubungan erat. Sehingga terdapat beberapa variabel tidak disertakan dalam analisis cluster yaitu variabel Pendidikan, Pendapatan, dan Keharmonisan Keluarga untuk menghilangkan multikolinearitas. Kemudian dilakukan perhitungan matriks korelasi kembali dan didapatkan hasil sebagai berikut:
Berdasarkan gambar di atas, seluruh sel dalam matriks korelasi bernilai lebih dari 0.8 sehingga dapat dinyatakan bahwa tidak terdapat multikolinieritas antar variabel. Dengan demikian, asumsi non multikolinearitas terpenuhi dan data dapat digunakan untuk melakukan analisis cluster.
3.3 Analisis Cluster
3.3.1 Pemilihan Metode Analisis Cluster Hierarki
Berdasarkan output, nilai korelasi cophenetic yang paling mendekati 1 yaitu metode average linkage, sehingga metode cluster hierarki terbaik yang terpilih adalah metode average linkage. Metode ini menjadi metode terbaik dalam mengelompokkan provinsi di Indonesia berdasarkan indeks kebahagiaan dimensi kepuasan hidup tahun 2017.
3.3.2 Penentuan Jumlah Cluster Optimal
| Indeks | Jumlah Cluster |
|---|---|
| Connectivity | 2 |
| Dunn | 7 |
| Sillhouette | 2 |
Berdasarkan tabel di atas, terpilih jumlah cluster optimal sebanyak 2 cluster pada metode pengelompokkan average linkage berdasarkan indeks kebahagiaan dimensi kepuasan hidup tahun 2021.
3.3.3 Hasil Cluster
Berikut merupakan dendogram hasil cluster pada indeks kebahagiaan dimensi kepuasan hidup tahun 2021 menggunakan metode average linkage menjadi 2 cluster:
Berdasarkan dendrogram di atas, terbentuk 2 cluster dimana cluster pertama terdiri dari 24 provinsi sedangkan cluster kedua terdiri dari 10 provinsi. Tiap cluster tersebut memiliki karakteristik seperti sebagai berikut:
| Variabel | Cluster 1 | Cluster 2 |
|---|---|---|
| Pendidikan | 61.89 | 68.90 |
| Pendapatan Rumah Tangga | 66.52 | 70.77 |
| Kondisi Rumah & Aset | 73.18 | 77.48 |
| Keadaan Lingkungan | 81.58 | 82.76 |
| Kondisi Keamanan | 81.63 | 83.10 |
| Keharmonisan Keluarga | 83.29 | 86.56 |
Berdasarkan tabel di atas, seluruh variabel pada cluster 1 memiliki nilai yang lebih rendah dibandingkan cluster 2. Didapatkan informasi bahwa provinsi pada cluster 2 memiliki indeks kebahagiaan dimensi kepuasan hidup yang lebih tinggi daripada provinsi pada cluster 1.
4 KESIMPULAN
Berdasarkan analisis yang telah dilakukan didapatkan bahwa analsisi cluster hierarki yang sesuai untuk mengelompokkan provinsi di Indonesia berdasarkan indeks kebahagiaan dimensi kepuasan hidup pada tahun 2021 yaitu menggunakan metode average linkage. Menggunakan metode average linkage, 34 provinsi yang ada di Indonesia dikelompokkan menjadi 2 cluster.
Cluster pertama terdiri dari Provinsi Aceh, Sumatera Utara, Sumatera Barat, Riau, Jambi, Sumatera Selatan, Bengkulu, Lamung, Kep. Bangka Belitung, Jawa Barat, Jawa Tengah, DI Yogyakarta, Jawa Timur, Banten, Bali, Nusa Tenggara Barat, Nusa Tenggara Timur, Kalimantan Barat, Kalimantan Tengah, Kalimantan Selatan, Sulawesi Selatan, Sulawesi Tenggara, Sulawesi Barat, dan Papua. Berdasarkan karakteristiknya, cluster tersebut dapat dilabeli sebagai provinsi dengan tingkat kepuasan hidup rendah.
Cluster kedua terdiri dari Provinsi Kep. Riau, DKI Jakarta, Kalimantan Timur, Kalimantan Utara, Sulawesi Utara, Sulawesi Tengah, Gorontalo, Maluku, Maluku Utara, dan Papua Barat. Berdasarkan karakteristiknya, cluster tersebut dapat dilabeli sebagai provinsi dengan tingkat kepuasan hidup tinggi
Provinsi dengan aksesibilitas yang baik terhadap layanan publik, kesehatan, dan pendidikan cenderung memiliki tingkat kepuasan hidup yang lebih tinggi, seperti DKI Jakarta dan beberapa provinsi di Kalimantan. Provinsi dengan lingkungan alam yang baik dan potensi wisata yang tinggi, seperti Maluku Utara dan Papua Barat, memiliki skor yang lebih tinggi pada dimensi kepuasan hidup pada sub dimensi keadaan lingkungan. Provinsi dengan tingkat sosial yang tinggi, seperti Sulawesi, memiliki skor yang lebih tinggi pada dimensi kepuasan hidup sub dimensi sosial. Dengan demikian, dapat disimpulkan bahwa belum terdapat perwujudan pemerataan indeks kebahagiaan dimensi kepuasan hidup masyarakat tahun 2021 di Indonesia.
5 DAFTAR PUSTAKA
Badan Pusat Statistik. (2022). Dimensi Kepuasan Hidup Indeks Kebahagiaan 2017-2021. Jakarta: Badan Pusat Statistik RI. Journal of Law, Administration, and Social Science, 4(1): 56-65.
Fikri, D. B., dkk. (2024). Pengaruh Dimensi Kepuasan Hidup Terhadap Indeks Kebahagiaan: Perspektif Regional di Indonesia.
Helliwell, J., dkk. (2023). World Happiness Report 2023. The World Happiness Report.
Sentia. I. dan Lince. M. (2023). Peran Indeks Kebahagiaan (Human Happiness Index) Dalam Perumusan Kebijakan Publik di Indonesia
Theresia, P. R. (2016). Determinan Kebahagiaan di Indonesia. Jurnal Ekonomi dan Bisnis, 19(1): 149-170.
Veenhoven, Ruut,. (1994). Is Happiness a Trait?: “Test of the Theory that a Better Society Does Not Make People Any Happier”. Social Indicators Research, 32(2): 101-160.