1. Pendahuluan

Kemiskinan adalah kondisi ketika seseorang atau sekelompok orang tidak mampu memenuhi kebutuhan dasar. Kebutuhan dasar yang meliputi makanan, pakaian, tempat tinggal, pendidikan, dan kesehatan. Kemiskinan merupakan masalah yang sangat rumit dan memberikan dampak ke berbagai bidang kehidupan manusia terutama bidang pendidikan. Banyak sekali masyarakat miskin yang berpendidikan rendah, karena kemiskinan merupakan permasalahan yang kompleks dan bersifat multidimensional. Pendidikan membutuhkan biaya yang tidak sedikit dan pasti akan menyulitkan bagi masyarakat miskin. [munthe2025pengaruh]

Salah satu permasalahan yang masih dihadapi oleh negara Indonesia yaitu masalah kemiskinan. Masalah kemiskinan merupakan masalah yang kompleks dan bersifat multidimensional sehingga menjadi prioritas pembangunan. Selama ini, pemerintah Indonesia telah banyak memiliki program-program untuk pengentasan kemiskinan yang ada. Upaya pengentasan kemiskinan terdapat dua strategi yang harus di tempuh. Pertama, melindungi keluarga dan kelompok masyarakat miskin melalui pemenuhan kebutuhan mereka dari berbagai bidang. Kedua, melakukan pelatihan kepada mereka agar mempunyai kemampuan untuk melakukan usaha pencegahan terjadinya kemiskinan baru. Upaya pengentasan kemiskinan dilakukan untuk mewujudkan cita-cita bangsa yaitu, terciptanya masyarakat yang adil dan makmur (Royat, 2015).

Salah satu aspek penting untuk mendukung strategi penanggulangan kemiskinan adalah tersedianya data kemiskinan yang akurat. Ketika data telah tersedia, maka pemerintah dapat mengambil keputusan apa saja yang harus dilakukan untuk penanggulangan tersebut. Selain itu, data yang tersedia dapat mebuat pemerintah membandingkan angka kemiskinan dari tahun ke tahun. Sejalan dengan penyajian data jumlah dan persentase penduduk miskin, informasi yang tidak kalah pentingnya adalah profil kemiskinan. Informasi mengenai profil kemiskinan sangat dibutuhkan oleh pengambil kebijakan untuk penangan masalah kemiskinan. Dengan demikian, upaya pemberdayan masyarakat miskin dapat berjalan efisien, efektif, dan juga tepat sasaran. Berdasarkan latar belakang tersebut, penulis tertarik untuk mengelompokkan provinsi-provinsi di Indonesia berdasarkan 3 indikator kemiskinan. Dengan demikian, diharapkan mampu memberikan kontribusi kepada pemerintah dan pemangku kebijakan dalam menerapkan program tepat sasaran.[ferezagia2018analisis]

2. Data dan Metodologi

Data yang digunakan meliputi:

knitr::opts_chunk$set(echo = TRUE)
library(tidyverse)
## Warning: package 'tidyverse' was built under R version 4.4.3
## Warning: package 'readr' was built under R version 4.4.3
## Warning: package 'purrr' was built under R version 4.4.3
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.5.1     ✔ tibble    3.2.1
## ✔ lubridate 1.9.3     ✔ tidyr     1.3.1
## ✔ purrr     1.0.4     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(knitr)
garis <- read.csv("C:/Users/ASUS/Downloads/Garis Kemiskinan Menurut Kabupaten_Kota, 2024 (1).csv", sep = ",")
kedalaman <- read.csv("C:/Users/ASUS/Downloads/Indeks Kedalaman Kemiskinan (P1) Menurut Kabupaten_Kota, 2024.csv" , sep = ",")
keparahan <- read.csv("C:/Users/ASUS/Downloads/Indeks Keparahan Kemiskinan (P2) Menurut Kabupaten_Kota, 2024 (1).csv", sep = ",")

# Gabungkan ketiga data
data_kemiskinan <- garis %>%
  left_join(kedalaman, by = c("Provinsi")) %>%
  left_join(keparahan, by = c("Provinsi"))
head(data_kemiskinan)
##           Provinsi Garis.Kemiskinan   P1   P2
## 1             ACEH           661227 2.62 0.71
## 2   SUMATERA UTARA           642423 1.23 0.30
## 3   SUMATERA BARAT           708416 0.74 0.15
## 4             RIAU           697296 0.97 0.21
## 5            JAMBI           650115 1.06 0.25
## 6 SUMATERA SELATAN           554197 1.89 0.46

3. Hasil dan Pembahasan

3.1 Deskripsi Data

summary_table <- data_kemiskinan %>%
  select(Provinsi, Garis.Kemiskinan, P1, P2) %>%
  head(10)

kable(summary_table, caption = "Contoh Data Kemiskinan 10 Kabupaten/Kota")
Contoh Data Kemiskinan 10 Kabupaten/Kota
Provinsi Garis.Kemiskinan P1 P2
ACEH 661227 2.62 0.71
SUMATERA UTARA 642423 1.23 0.30
SUMATERA BARAT 708416 0.74 0.15
RIAU 697296 0.97 0.21
JAMBI 650115 1.06 0.25
SUMATERA SELATAN 554197 1.89 0.46
BENGKULU 671095 2.11 0.49
LAMPUNG 586551 1.53 0.33
KEP. BANGKA BELITUNG 908397 0.66 0.16
KEPULAUAN RIAU 787211 0.70 0.15

3.2 Visualisasi

library(ggplot2)

ggplot(data_kemiskinan, aes(x = reorder(Provinsi, -P1), y = P1)) +
  geom_bar(stat = "identity", fill = "steelblue") +
  coord_flip() +
  labs(title = "Indeks Kedalaman Kemiskinan (P1) per Provinsi", x = "Provinsi", y = "P1")
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).

ggplot(data_kemiskinan, aes(x = reorder(Provinsi, -P2), y = P2)) +
  geom_bar(stat = "identity", fill = "tomato") +
  coord_flip() +
  labs(title = "Indeks Keparahan Kemiskinan (P2) per Provinsi", x = "Provinsi", y = "P2")

3.3 Analisis Sederhana

cor_test <- cor.test(data_kemiskinan$P1, data_kemiskinan$P2, method = "pearson") cor_test

4. Rumus-rumus Terkait

Indeks Kedalaman Kemiskinan (P1) dihitung menggunakan rumus:

Indeks Keparahan Kemiskinan (P2):

Dimana:

5. Kesimpulan

Dari hasil analisis:

  1. Kabupaten/kota di Indonesia menunjukkan variasi besar dalam tingkat kedalaman dan keparahan kemiskinan.

  2. Terdapat hubungan positif antara P1 dan P2.

  3. Data BPS memberikan informasi penting bagi perencanaan penanggulangan kemiskinan di Provinsi.