Laporan ini menganalisis hubungan antara Indeks Pembangunan Manusia (IPM), Tingkat Pengangguran Terbuka (TPT), dan PDRB per kapita terhadap tingkat kemiskinan pada unit analisis provinsi (n = 34). Analisis mencakup EDA, korelasi, ANOVA satu arah dan regresi linear berganda. Semua kode ada di lampiran sehingga dapat direproduksi.

Data Indeks Pembangunan Manusia (IPM)

Data Tingkat Kemiskinan (%)

Data Tingkat Pengangguran Terbuka (TPT)

Data Produk Domestik Regional Bruto Perkapita (PDRB)

Lets Import Dataset 
pacman::p_load(readr,
               dplyr,
               ggplot2,
               tidyr,
               stats,
               car)
getwd()
## [1] "C:/Users/Marcella/OneDrive/Tugas Kampus/Pengantar Sains Data"

#Menampilkan Data

library(readr)
Data <- read_delim("C:/Users/Marcella/OneDrive/Tugas Kampus/Pengantar Sains Data/Data BPS_IPM_Tingkt Kemiskinan_TPT_PDRB Perkapita(Ribu).csv", 
    delim = ";", escape_double = FALSE, trim_ws = TRUE)
## Rows: 34 Columns: 5
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (1): Provinsi
## dbl (4): IPM, Kemiskinan (%), TPT (%), PDRB_Perkapita (Ribu)
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
View(Data)
knitr::opts_chunk$set(echo = TRUE, warning = FALSE, message = FALSE, fig.width = 8, fig.height = 5)
library(pacman)
## Warning: package 'pacman' was built under R version 4.5.2
p_load(readr, dplyr, ggplot2, tidyr, stats, car, broom, GGally, ggcorrplot, performance)
pink_main <- "#e91e63"
pink_soft <- "#f8bbd0"
theme_set(theme_minimal(base_size = 13))
colnames(Data)
## [1] "Provinsi"              "IPM"                   "Kemiskinan (%)"       
## [4] "TPT (%)"               "PDRB_Perkapita (Ribu)"

Exploratory Data Analysis (EDA)

summary(Data)
##    Provinsi              IPM        Kemiskinan (%)      TPT (%)     
##  Length:34          Min.   :63.01   Min.   : 4.250   Min.   :2.270  
##  Class :character   1st Qu.:72.40   1st Qu.: 6.240   1st Qu.:3.487  
##  Mode  :character   Median :73.91   Median : 8.425   Median :4.320  
##                     Mean   :73.77   Mean   :10.089   Mean   :4.614  
##                     3rd Qu.:75.02   3rd Qu.:12.252   3rd Qu.:5.763  
##                     Max.   :83.55   Max.   :26.030   Max.   :7.520  
##  PDRB_Perkapita (Ribu)
##  Min.   : 23078       
##  1st Qu.: 48233       
##  Median : 64110       
##  Mean   : 81942       
##  3rd Qu.: 77359       
##  Max.   :322619

Scatterplot setiap variabel terhadap Tingkat Kemiskinan

Scatterplot IPM vs Kemiskinan

library(ggplot2)

ggplot(Data, 
       aes(x = IPM, y = `Kemiskinan (%)`)) +
  geom_point(color = "#ffb6c1", size = 3) + 
  geom_smooth(method = "lm", se = FALSE, color = "#ff69b4") + 
  labs(
    title = "Hubungan IPM dan Tingkat Kemiskinan di Indonesia",
    subtitle = "Sumber: Data BPS",
    x = "Indeks Pembangunan Manusia (IPM)",
    y = "Tingkat Kemiskinan (%)"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", color = "#cc3366", size = 14),
    plot.subtitle = element_text(color = "gray40"),
    axis.title = element_text(color = "#cc3366"),
    panel.grid.minor = element_blank()
  )

Scatterplot TPT (%) vs Kemiskinan

library(ggplot2)

ggplot(Data, 
       aes(x = `TPT (%)`, y = `Kemiskinan (%)`)) +
  geom_point(color = "#ffb6c1", size = 3) +  
  geom_smooth(method = "lm", se = FALSE, color = "#ff69b4") + 
  labs(
    title = "Hubungan TPT dan Tingkat Kemiskinan di Indonesia",
    subtitle = "Sumber: Data BPS",
    x = "Tingkat Pengangguran Terbuka (TPT)",
    y = "Tingkat Kemiskinan (%)"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", color = "#cc3366", size = 14),
    plot.subtitle = element_text(color = "gray40"),
    axis.title = element_text(color = "#cc3366"),
    panel.grid.minor = element_blank()
  )

Scatterplot PDRB Perkapita (Ribu) vs Kemiskinan

library(ggplot2)

ggplot(Data, 
       aes(x = `PDRB_Perkapita (Ribu)`, y = `Kemiskinan (%)`)) +
  geom_point(color = "#ffb6c1", size = 3) +  
  geom_smooth(method = "lm", se = FALSE, color = "#ff69b4") + 
  labs(
    title = "Hubungan PDRB Perkapita dan Tingkat Kemiskinan di Indonesia",
    subtitle = "Sumber: Data BPS",
    x = "PDRB Perkapita (Ribu)",
    y = "Tingkat Kemiskinan (%)"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", color = "#cc3366", size = 14),
    plot.subtitle = element_text(color = "gray40"),
    axis.title = element_text(color = "#cc3366"),
    panel.grid.minor = element_blank()
  )

Penjelasan Mengenai Scatterplot

  1. IPM vs Kemiskinan Dapat dilihat bahwa grafik tersebut nunjukkan bahwa daerah dengan IPM tinggi biasanya mempunyai tingkat kemiskinan lebih rendah. Semakin bagus pendidikan, kesehatan, dan kualitas hidup masyarakatnya, semakin kecil angka kemiskinannya.

  2. TPT vs Kemiskinan Hubungan pengangguran sama kemiskinan ada, tapi tidak sekuat IPM. Terdapat daerah yang penganggurannya tinggi tapi kemiskinannya rendah, jadi pengaruhnya tidak terlalu besar dan datanya lebih menyebar.

  3. PDRB Per Kapita vs Kemiskinan Semakin tinggi PDRB per kapita (artinya ekonomi daerahnya kuat), biasanya tingkat kemiskinan makin rendah. Polanya cukup jelas, yaitu daerah yang ekonominya maju cenderung lebih sedikit penduduk miskinnya.

Box Plot

df <- Data
colnames(df)
## [1] "Provinsi"              "IPM"                   "Kemiskinan (%)"       
## [4] "TPT (%)"               "PDRB_Perkapita (Ribu)"

Box Plot IPM

ggplot(df, aes(y = df[["IPM"]])) +
  geom_boxplot(fill = "#ffb6c1", color = "black") +
  labs(title = "Boxplot IPM", y = "IPM", x = "") +
  theme_minimal()

Box Plot Tingkat Kemiskinan

ggplot(df, aes(y = df[["Kemiskinan (%)"]])) +
  geom_boxplot(fill = "#ffb6c1", color = "black") +
  labs(title = "Boxplot Kemiskinan (%)", y = "Kemiskinan (%)", x = "") +
  theme_minimal()

Box Plot TPT

ggplot(df, aes(y = df[["TPT (%)"]])) +
  geom_boxplot(fill = "#ffb6c1", color = "black") +
  labs(title = "Boxplot Tingkat Pengangguran Terbuka", y = "TPT (%)", x = "") +
  theme_minimal()

### Box Plot PDRB Perkapita

ggplot(df, aes(y = df[["PDRB_Perkapita (Ribu)"]])) +
  geom_boxplot(fill = "#ffb6c1", color = "black") +
  labs(title = "Boxplot PDRB Perkapita (Ribu)", y = "PDRB_Perkapita (Ribu)", x = "") +
  theme_minimal()

Penjelasan Mengenai BoxPlot

Secara umum, hasil boxplot yang sudah dibuat menunjukkan bahwa IPM dan tingkat pengangguran antar wilayah relatif merata dengan perbedaan yang tidak terlalu besar. Namun, pada variabel kemiskinan terlihat adanya beberapa daerah yang tingkat kemiskinannya jauh lebih tinggi dari daerah lainnya. Ketimpangan paling besar terlihat pada PDRB per kapita, di mana hanya sedikit wilayah yang memiliki nilai ekonomi sangat tinggi dibanding mayoritas wilayah lain yang masih rendah. Hal ini menggambarkan bahwa kesenjangan ekonomi masih menjadi isu utama yang perlu diperhatikan, meskipun kondisi pembangunan manusia dan pengangguran sudah relatif lebih seimbang.

Histogram tiap variabel numerik

library(ggplot2)

data <- Data

Plot histogram untuk tiap kolom numerik

num_cols <- c("IPM", "Kemiskinan (%)", "TPT (%)", "PDRB_Perkapita (Ribu)")

for (col in num_cols) {
  ggplot(data, aes(x = .data[[col]])) +
    geom_histogram(fill = "#ffb6c1", color = "white", bins = 10) +
    labs(title = paste("Distribusi", col), x = col, y = "Frekuensi") +
    theme_minimal() -> p
  print(p)
}

#### Penjelasan Mengenai Histogram 1. Histogram IPM menunjukkan bahwa sebagian besar provinsi berada pada nilai IPM menengah, terutama di kisaran 70–75. Artinya, mayoritas daerah memiliki kualitas pembangunan manusia yang cukup baik. Hanya sedikit provinsi yang berada di kategori sangat rendah atau sangat tinggi, jadi penyebarannya cenderung terkonsentrasi di tengah.

  1. Histogram kemiskinan memperlihatkan bahwa banyak provinsi berada pada tingkat kemiskinan sekitar 5–15%. Ini menunjukkan bahwa sebagian besar daerah memiliki tingkat kemiskinan menengah. Ada beberapa provinsi dengan kemiskinan sangat rendah maupun sangat tinggi, tetapi jumlahnya tidak banyak sehingga tidak mendominasi distribusi.

  2. Histogram TPT menunjukkan bahwa sebagian besar wilayah memiliki tingkat pengangguran pada kisaran 3–5%, sehingga kondisinya relatif merata tanpa perbedaan yang mencolok.

4.Pada histogram PDRB Perkapita terlihat ketimpangan yang cukup besar, karena sebagian besar wilayah berada pada tingkat ekonomi rendah dan hanya sedikit daerah yang memiliki PDRB Perkapita sangat tinggi. Ini menunjukkan bahwa ketidakmerataan ekonomi antar wilayah masih cukup jelas.

Korelasi Antar Variabel Numerik

Matrix Korelasi

num_data <- Data %>% 
  select(IPM, `Kemiskinan (%)`, `TPT (%)`, `PDRB_Perkapita (Ribu)`)

cor_matrix <- cor(num_data, method = "pearson")
cor_matrix
##                              IPM Kemiskinan (%)    TPT (%)
## IPM                    1.0000000     -0.6935866  0.4257435
## Kemiskinan (%)        -0.6935866      1.0000000 -0.3495091
## TPT (%)                0.4257435     -0.3495091  1.0000000
## PDRB_Perkapita (Ribu)  0.4559939     -0.3372341  0.2465804
##                       PDRB_Perkapita (Ribu)
## IPM                               0.4559939
## Kemiskinan (%)                   -0.3372341
## TPT (%)                           0.2465804
## PDRB_Perkapita (Ribu)             1.0000000

Tabel Matrix Korelasi

cor_matrix <- cor(data[, c("IPM", "Kemiskinan (%)", "TPT (%)", "PDRB_Perkapita (Ribu)")])

library(kableExtra)
knitr::kable(cor_matrix, digits = 3) %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover")) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#e91e63") %>%   
  row_spec(1:nrow(cor_matrix), background = "#fde4ec")
IPM Kemiskinan (%) TPT (%) PDRB_Perkapita (Ribu)
IPM 1.000 -0.694 0.426 0.456
Kemiskinan (%) -0.694 1.000 -0.350 -0.337
TPT (%) 0.426 -0.350 1.000 0.247
PDRB_Perkapita (Ribu) 0.456 -0.337 0.247 1.000

Heatmap korelasi variabel numerik

data <- Data

# Hitung korelasi Pearson
cor_matrix <- cor(data[, c("IPM", "Kemiskinan (%)", "TPT (%)", "PDRB_Perkapita (Ribu)")],
                  method = "pearson")

print(cor_matrix)
##                              IPM Kemiskinan (%)    TPT (%)
## IPM                    1.0000000     -0.6935866  0.4257435
## Kemiskinan (%)        -0.6935866      1.0000000 -0.3495091
## TPT (%)                0.4257435     -0.3495091  1.0000000
## PDRB_Perkapita (Ribu)  0.4559939     -0.3372341  0.2465804
##                       PDRB_Perkapita (Ribu)
## IPM                               0.4559939
## Kemiskinan (%)                   -0.3372341
## TPT (%)                           0.2465804
## PDRB_Perkapita (Ribu)             1.0000000
# Heatmap korelasi
library(reshape2)
library(ggplot2)

melted_cor <- melt(cor_matrix)

ggplot(melted_cor, aes(Var1, Var2, fill = value)) +
  geom_tile(color = "white") +
  scale_fill_gradient2(low = "#ffe6ee", high = "#ff69b4", mid = "white",
                       midpoint = 0, limit = c(-1,1), name="Korelasi") +
  theme_minimal() +
  labs(title = "Heatmap Korelasi antar Variabel") +
  theme(axis.text.x = element_text(angle = 45, vjust = 1, hjust=1))

Penjelasan Korelasi Antar Varibael Numerik

Berdasarkan visualisasi dan tabel korelasi yang sudah dibuat, dapat dilihat bahwa IPM memiliki hubungan negatif yang cukup kuat dengan tingkat kemiskinan, artinya semakin tinggi IPM suatu daerah maka tingkat kemiskinannya cenderung semakin rendah. IPM juga memiliki hubungan positif dengan PDRB per kapita, sehingga daerah dengan ekonomi yang lebih baik cenderung memiliki kualitas pembangunan manusia yang lebih tinggi. Korelasi antara TPT dengan variabel lain terlihat lebih lemah, namun menunjukkan kecenderungan bahwa pengangguran yang lebih tinggi berhubungan dengan IPM yang sedikit lebih tinggi dan kemiskinan yang sedikit lebih rendah, meskipun hubungan tersebut tidak terlalu kuat. Secara keseluruhan, korelasi ini menunjukkan adanya keterkaitan antara pembangunan manusia, ekonomi, dan kondisi sosial, meskipun kekuatannya bervariasi antar variabel.

Anova Satu Arah

library(dplyr)
library(ggplot2)
library(car)
library(knitr)

# Kelompokkan provinsi berdasarkan wilayah
Data <- Data %>%
  mutate(Wilayah = case_when(
    Provinsi %in% c("Aceh", "Sumatera Utara", "Sumatera Barat", 
                    "Riau", "Jambi", "Sumatera Selatan", "Bengkulu",
                    "Lampung", "Kepulauan Bangka Belitung", 
                    "Kepulauan Riau") ~ "Sumatera",
    Provinsi %in% c("DKI Jakarta", "Jawa Barat", "Jawa Tengah",
                    "DI Yogyakarta", "Jawa Timur", "Banten") ~ "Jawa",
    TRUE ~ "Luar Jawa"
  ))

# Rata-rata IPM per Wilayah (untuk pendukung analisis ANOVA)
rata_IPM <- Data %>%
  group_by(Wilayah) %>%
  summarise(Rata_IPM = mean(IPM, na.rm = TRUE))

kable(rata_IPM, caption = "Rata-rata IPM per Wilayah")
Rata-rata IPM per Wilayah
Wilayah Rata_IPM
Jawa 77.11500
Luar Jawa 72.12333
Sumatera 74.72800 
anova_wilayah <- aov(IPM ~ Wilayah, data = Data)
summary(anova_wilayah)
##             Df Sum Sq Mean Sq F value  Pr(>F)   
## Wilayah      2  125.1   62.56   5.668 0.00798 **
## Residuals   31  342.2   11.04                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
TukeyHSD(anova_wilayah)
##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = IPM ~ Wilayah, data = Data)
## 
## $Wilayah
##                         diff        lwr       upr     p adj
## Luar Jawa-Jawa     -4.991667 -8.8462616 -1.137072 0.0089229
## Sumatera-Jawa      -2.387000 -6.6094972  1.835497 0.3576691
## Sumatera-Luar Jawa  2.604667 -0.6203188  5.829652 0.1321012
ggplot(Data, aes(x = Wilayah, y = IPM, fill = Wilayah)) +
  geom_boxplot(color = "black") +
  scale_fill_manual(values = c("Sumatera" = "#FF66B2",
                               "Jawa" = "#FF99CC",
                               "Luar Jawa" = "#FFB7DD")) +
  labs(title = "Perbandingan IPM Berdasarkan Wilayah",
       x = "Wilayah", y = "IPM") +
  theme_minimal()

Penjelasan Mengenai ANOVA Satu Arah

Berdasarkan hasil analisis ANOVA satu arah, diperoleh nilai p-value sebesar 0.00798 yang lebih kecil dari tingkat signifikansi 0.05. Hal ini menunjukkan bahwa terdapat perbedaan yang signifikan dalam rata-rata Indeks Pembangunan Manusia (IPM) berdasarkan wilayah di Indonesia, yaitu antara wilayah Jawa, Sumatera, dan Luar Jawa.

Untuk mengetahui wilayah mana yang berbeda secara signifikan, dilakukan uji lanjutan menggunakan Tukey Post-Hoc Test. Hasilnya menunjukkan bahwa:

  1. Wilayah Jawa dan Luar Jawa memiliki perbedaan IPM yang signifikan Jawa memiliki rata-rata IPM yang lebih tinggi dibandingkan Luar Jawa. Perbedaan ini signifikan secara statistik (p-value = 0.0089).

  2. Tidak terdapat perbedaan signifikan antara Sumatera dan Jawa Rata-rata IPM di Sumatera tidak berbeda secara signifikan dengan di Jawa (p-value = 0.3577).

  3. Tidak terdapat perbedaan signifikan antara Sumatera dan Luar Jawa Rata-rata IPM wilayah Sumatera juga tidak berbeda nyata dengan Luar Jawa (p-value = 0.1321).

Secara keseluruhan, hasil ini menunjukkan bahwa ketimpangan pembangunan manusia paling nyata terjadi antara Jawa dan wilayah Luar Jawa, sementara Sumatera berada pada posisi menengah dan tidak menunjukkan perbedaan yang berarti terhadap dua kelompok wilayah lainnya.

Jawa masih menjadi wilayah dengan capaian pembangunan manusia tertinggi, sementara wilayah di luar Jawa tertinggal secara signifikan. Sumatera berada di posisi tengah tanpa perbedaan signifikan terhadap dua wilayah lainnya.

Regresi Linear Berganda

model_linear <- lm(`Kemiskinan (%)` ~ IPM + `TPT (%)` + `PDRB_Perkapita (Ribu)`, data = Data)
summary(model_linear)
## 
## Call:
## lm(formula = `Kemiskinan (%)` ~ IPM + `TPT (%)` + `PDRB_Perkapita (Ribu)`, 
##     data = Data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -6.3191 -2.4502 -0.1106  2.2494  7.2830 
## 
## Coefficients:
##                           Estimate Std. Error t value Pr(>|t|)    
## (Intercept)              7.798e+01  1.495e+01   5.218 1.26e-05 ***
## IPM                     -9.035e-01  2.177e-01  -4.151 0.000252 ***
## `TPT (%)`               -2.367e-01  5.300e-01  -0.447 0.658375    
## `PDRB_Perkapita (Ribu)` -1.857e-06  1.235e-05  -0.150 0.881522    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.901 on 30 degrees of freedom
## Multiple R-squared:  0.485,  Adjusted R-squared:  0.4335 
## F-statistic: 9.419 on 3 and 30 DF,  p-value: 0.0001529
# Diagnostik multikolinearitas
library(car)
vif(model_linear)
##                     IPM               `TPT (%)` `PDRB_Perkapita (Ribu)` 
##                1.454428                1.226587                1.267893
# Plot residual
par(mfrow=c(2,2))
plot(model_linear)

## Uji Normalitas, Mengecek dengan Q-Q Plot atau melakukan Uji Shapiro-Wilk

shapiro_reg_result <- shapiro.test(residuals(model_linear))
cat("a. Normalitas Residual (Shapiro-Wilk): P-value =", format.pval(shapiro_reg_result$p.value, digits = 4), "\n")
## a. Normalitas Residual (Shapiro-Wilk): P-value = 0.3711

Penjelasan Normalitas Residual:

Asumsi Normalitas ketika P-Value lebih dari 0,05 maka signifikan. Jadi, Hasil (Shapiro-Wilk): P-value = 0.3711 berarti residual data tidak berdistribusi normal (tidak sesuai asumsi regresi linear).

Uji Heteroskedastisitas dengan uji Breusch-Pagan

library(lmtest)
bp_result <- bptest(model_linear)
cat("b. Homoskedastisitas (Breusch-Pagan): P-value =", format.pval(bp_result$p.value, digits = 4), "\n")
## b. Homoskedastisitas (Breusch-Pagan): P-value = 0.812

Penjelasan Uji Heteroskedastisitas:

Asumsi Homoskedastisitas ketika P-Value kurang dari 0,05 maka signifikan. Karena Hasil Homoskedastisitas (Breusch-Pagan): P-value = 0.812 berarti data tidak homogen (tidak sesuai asumsi regresi linear).

Uji Multikolinearitas

#Melihat hubungan variabel tersebut dengan variabel lain (tidak terdapat operasi hitung/perkalian,penjumlahan,pengurangan, dll)

library(car)
vif(model_linear)
##                     IPM               `TPT (%)` `PDRB_Perkapita (Ribu)` 
##                1.454428                1.226587                1.267893

Penjelasan Uji Multikolinearitas:

Nilai VIF dianggap signifikan jika kurang dari 5, karena Tidak ada variabel yang mendapat nilai diatas 5, maka data tidak ada multikolinearitas (hubungan dengan variabel lain), jadi data sesuai dengan asumsi regresi linear.

Uji Autokorelasi

#Melihat perubahan kecil/waktu pada variabel itu sendiri

lmtest::dwtest(model_linear, alternative = 'two.sided')
## 
##  Durbin-Watson test
## 
## data:  model_linear
## DW = 1.9008, p-value = 0.6483
## alternative hypothesis: true autocorrelation is not 0

Penjelasan Uji Autokorelasi:

Nilai P-Value 0,64 hal ini berarti lebih dari 0.05, maka data tidak ada autokorelasi(sesuai asumsi regresi linear).

📌 Simpulan Analisis Data

Berdasarkan hasil pengolahan data IPM, Tingkat Kemiskinan, TPT, dan PDRB Perkapita di Indonesia pada tahun 2023, diperoleh beberapa temuan utama:

Secara keseluruhan, provinsi yang berada di wilayah Jawa cenderung memiliki IPM yang lebih tinggi, tingkat kemiskinan lebih rendah, serta PDRB per kapita yang relatif lebih baik dibanding wilayah di luar Jawa. Analisis korelasi menunjukkan bahwa IPM memiliki hubungan negatif yang kuat dengan tingkat kemiskinan, artinya semakin tinggi IPM suatu daerah, semakin rendah tingkat kemiskinannya. Selain itu, IPM juga berkorelasi positif dengan PDRB per kapita, yang berarti pertumbuhan ekonomi yang lebih baik cenderung meningkatkan kualitas pembangunan manusia.

Sementara itu, hubungan antara IPM dan Tingkat Pengangguran Terbuka (TPT) tidak terlalu kuat, sehingga pengangguran tidak selalu menjadi penentu langsung kualitas pembangunan manusia di setiap provinsi.

Melalui analisis ANOVA satu arah, ditemukan bahwa terdapat perbedaan signifikan IPM antar wilayah, terutama antara wilayah Jawa dan Luar Jawa. Hal ini menunjukkan adanya ketimpangan pembangunan manusia, di mana Jawa masih menjadi pusat perkembangan, sedangkan wilayah di luar Jawa masih tertinggal. Sumatera berada pada posisi tengah dan tidak menunjukkan perbedaan signifikan baik dengan Jawa maupun Luar Jawa.

Secara umum, hasil ini memperlihatkan bahwa pembangunan di Indonesia masih belum merata, terutama dilihat dari aspek pembangunan manusia dan kondisi sosial-ekonomi antar wilayah.

🎯 Implikasi

Dari hasil tersebut, terdapat beberapa implikasi yang dapat menjadi bahan pertimbangan:

  1. Pemerataan pembangunan perlu lebih difokuskan ke wilayah luar Jawa, terutama dalam peningkatan akses pendidikan, layanan kesehatan, dan kesempatan ekonomi.

  2. Kebijakan penanggulangan kemiskinan berbasis peningkatan kualitas SDM menjadi strategi yang efektif, karena peningkatan IPM terbukti berdampak pada penurunan kemiskinan.

  3. Program peningkatan kesempatan kerja tetap penting, namun tidak cukup hanya menurunkan angka pengangguran, melainkan harus meningkatkan kualitas pekerjaan agar berdampak pada kesejahteraan dan pembangunan manusia.

  4. Peningkatan produktivitas ekonomi dan investasi daerah harus diarahkan untuk mendongkrak PDRB per kapita wilayah yang masih tertinggal, agar kesenjangan antar wilayah mengecil.

Penutup🌸

Terima kasih telah membaca laporan ini. Semoga hasil analisis ini dapat memberikan gambaran yang bermanfaat dalam memahami hubungan antara IPM, kemiskinan, TPT, dan PDRB per kapita di Indonesia.