PENERAPAN PRINCIPAL COMPONENT ANALYSIS DAN VISUALISASI BIPLOT ANTARA SUB-DIMENSI PERSONAL DIMENSI KEPUASAN HIDUP DENGAN INDEKS KEBAHAGIAAN HIDUP ANTAR WILAYAH
Putu Ratih Andina Agustina
2025-12-03
PENDAHULUAN
Latar Belakang
Pengukuran kesejahteraan tidak lagi cukup hanya mengandalkan indikator-indikator ekonomi objektif seperti PDB per kapita atau tingkat pengangguran, tetapi harus melihat dari aspek subjektif yakni bagaimana individu menilai dan merasakan kualitas hidupnya sendiri yang akan memberi informasi penting tentang kualitas hidup yang tidak tertangkap oleh indikator ekonomi semata. Literatur psikologi dan ilmu sosial di Indonesia semakin menekankan relevansi subjective well-being (SWB) dalam kajian pembangunan sosial dan kebijakan publik karena SWB mencakup evaluasi kognitif (kepuasan hidup), afektif (perasaan/emosi), serta dimensi makna hidup (eudaimonia). Kajian empiris di berbagai konteks lokal Indonesia menunjukkan hubungan kompleks antara faktor ekonomi, kondisi keluarga, kesehatan, dan kebahagiaan subjektif (Borualogo, 2021).
Badan Pusat Statistik (BPS) merespons kebutuhan tersebut dengan menyusun Indeks Kebahagiaan yang mengkombinasikan tiga dimensi utama, yaitu Kepuasan Hidup, Perasaan/Afeksi, dan Makna Hidup. Pada publikasi 2021, konstruksi dimensi Kepuasan Hidup dirinci menjadi sub-dimensi personal dan sosial yang terbentuk dari sepuluh aspek, yaitu kesehatan, pendidikan, pekerjaan, pendapatan rumah tangga, keharmonisan keluarga, ketersediaan waktu luang, hubungan sosial, kondisi rumah dan aset, kondisi lingkungan, dan kondisi keamanan yang kemudian dioperasionalkan menjadi indeks komposit skala 0–100. Survei Pengukuran Tingkat Kebahagiaan 2021 dilaksanakan secara nasional dengan desain sampel yang memungkinkan pemecahan data menurut provinsi dan kelompok demografis sehingga analisis perwilayah menjadi mungkin (BPS, 2021).
Ketersediaan data Indeks Kebahagiaan yang terperinci per aspek dan per wilayah menjadikan dataset ini sangat cocok untuk analisis multivariat seperti Principal Component Analysis (PCA) dan biplot yang dapat mengungkap struktur asosiasi antar-aspek kepuasan hidup serta mengidentifikasi aspek-aspek yang paling berkontribusi terhadap variasi antarwilayah. Beberapa studi dan kajian lokal telah menggunakan pendekatan PCA untuk memetakan heterogenitas kebahagiaan dan mengidentifikasi klaster wilayah/kelompok yang memiliki profil kesejahteraan subjektif serupa. Metode-metode ini membantu menyederhanakan dimensi dan menunjuk aspek prioritas untuk intervensi kebijakan (Susilowati & Sihombing, 2018).
Urgensi pembahasan Indeks Kebahagiaan 2021 bagi konteks Indonesia dapat dilihat dari beberapa alasan praktis. Pertama, memahami dimensi subjektif membantu pembuat kebijakan merancang program yang tidak hanya mengejar peningkatan indikator ekonomi tetapi juga meningkatkan quality of life yang dirasakan seperti intervensi kesehatan mental, kebijakan jam kerja, dan program pembangunan lingkungan yang berdampak langsung pada perasaan aman dan kepuasan keluarga. Kedua, analisis perwilayah memungkinkan identifikasi kesenjangan spasial yang mungkin tidak terlihat melalui indikator ekonomi karena daerah yang secara ekonomi relatif baik belum tentu menunjukkan tingkat kebahagiaan yang tinggi, dan begitu juga sebaliknya. Pemetaan seperti ini krusial untuk penentuan prioritas alokasi sumber daya. Ketiga, di tingkat akademis, kajian Indeks Kebahagiaan membuka ruang penelitian interdisipliner (ekonomi, sosiologi, psikologi) yang relevan untuk evaluasi pembangunan berkelanjutan. Sejumlah penelitian lokal memperkuat relevansi fokus pada aspek-aspek tertentu misalnya studi tentang kebahagiaan pekerja perempuan, kebahagiaan mahasiswa, dan kebahagiaan anak prasekolah yang menekankan peran kondisi kerja, makna hidup, dan dukungan keluarga/lingkungan sebagai determinan penting SWB. Hasil-hasil ini menunjukkan bahwa intervensi untuk meningkatkan kebahagiaan harus mempertimbangkan konteks kelompok sasaran (usia, jenis pekerjaan, kondisi keluarga) dan bukan satu solusi tunggal. Oleh karena itu, analisis Indeks Kebahagiaan 2021 yang dikombinasikan dengan PCA dan biplot dapat memberi rekomendasi yang lebih terinci dan kontekstual bagi kebijakan lokal (Anggraini, 2020).
Berdasarkan hal-hal tersebut, penelitian yang memanfaatkan data Indeks Kebahagiaan 2021 untuk menganalisis kontribusi aspekaspek kepuasan hidup, memetakan pola perwilayah melalui PCA/biplot, serta memberi rekomendasi kebijakan berbasis bukti, menjadi sangat penting baik untuk pengembangan ilmu pengetahuan sosial di Indonesia maupun untuk peningkatan kualitas kebijakan publik yang lebih responsif terhadap kesejahteraan subjektif warga negara. Kajian seperti ini juga dapat menjadi dasar pengawasan penerapan kebijakan yang berorientasi manusia (human-centred policy) dalam kerangka pembangunan berkelanjutan (Suprihartining dkk, 2023).
Deskripsi Dataset dan Variabel
Data yang digunakan dalam penelitian ini bersumber dari laman resmi BPS untuk Dimensi Kepuasan Hidup Indeks Kebahagiaan, 2021 yang diperoleh oleh Badan Pusat Statistik (BPS). Unit analisis yang digunakan adalah provinsi yang ada di Indonesia sehingga setiap baris data merepresentasikan satu provinsi dengan berbagai informasi mengenai indeks kebahagiaan masyarakat pada provinsi tersebut. Data yang digunakan terdiri dari 34 provinsi di Indonesia (n = 34). Berikut merupakan keterangan dari setiap variabelnya. - Variabel Y (variabel respon) = indeks hubungan sosial pada tiap provinsi - Variabel X1 (variabel prediktor) = indeks pendidikan pada tiap provinsi - Variabel X2 (variabel prediktor) = indeks pekerjaan pada tiap provinsi - Variabel X3 (variabel prediktor) = indeks pendapatan rumah tangga pada tiap provinsi - Variabel X4 (variabel prediktor) = indeks kesehatan pada tiap provinsi - Variabel X5 (variabel prediktor) = indeks kondisi rumah dan aset pada tiap provinsi
> library(readxl)
> library(dplyr)
> library(ggplot2)
> library(factoextra)
> data <- read_excel("C:/Users/Ratih/Downloads/Laprak Anmul/Data Laprak Anmul.xlsx")
> dataset <- dplyr::select(data, where(is.numeric))
> dataset
# A tibble: 34 × 6
Pendidikan Pekerjaan Pendapatan_Rumah _Tan…¹ Kesehatan Kondisi_Rumah_dan_ A…²
<dbl> <dbl> <dbl> <dbl> <dbl>
1 63.0 72.9 67.4 75.4 71.6
2 61.6 70.8 64.8 76 73.0
3 62.6 71.3 66.1 75.8 73.1
4 61 72.8 67.0 76.6 74.1
5 64.3 74.6 69.8 77.0 74.5
6 62.1 72.0 65.6 77.2 73.7
7 58.1 69.1 64.7 73.9 71.0
8 62.4 71.5 66.1 76.7 72.7
9 62.1 73.4 68.0 76.4 76.7
10 68.5 75.3 67.6 78.4 79.2
# ℹ 24 more rows
# ℹ abbreviated names: ¹​`Pendapatan_Rumah _Tangga`, ²​`Kondisi_Rumah_dan_ Aset`
# ℹ 1 more variable: Hubungan_Sosial <dbl>SOURCE CODE
> library(readxl)
> library(dplyr)
> library(ggplot2)
> library(factoextra)- library readxl berguna untuk membaca data dalam file yang memiliki format excel
- library dplyr berguna untuk mengubah struktur data frame agar lebih efisien dan mudah dianalisis
- library ggplot2 berguna untuk membuat grafik dan visualisasi data yang kompleks dengan lebih terstruktur
- library factoextra berguna untuk mengekstrak dan memvisualisasikan hasil analisis data multivariat dengan cara yang mudah dibaca dan berbasis pada plot
Data
> library(readxl)
> data <- read_excel("C:/Users/Ratih/Downloads/Laprak Anmul/Data Laprak Anmul.xlsx")Memuat paket readxl untuk membaca Excel dan membaca sheet pertama dari file Excel ke objek data (tiap baris = observasi, tiap kolom = variabel).
> colnames(data)
[1] "Pendidikan" "Pekerjaan"
[3] "Pendapatan_Rumah _Tangga" "Kesehatan"
[5] "Kondisi_Rumah_dan_ Aset" "Hubungan_Sosial" Menampilkan nama kolom pada data untuk memastikan nama variabel
> respon <- data$Hubungan_SosialMenyimpan kolom respons (variabel target) Hubungan_Sosial ke objek respon. Ini berguna untuk analisis terpisah atau verifikasi distribusi respons.
> prediktor <- dplyr::select(data, where(is.numeric), -Hubungan_Sosial)
> prediktor
# A tibble: 34 × 5
Pendidikan Pekerjaan Pendapatan_Rumah _Tan…¹ Kesehatan Kondisi_Rumah_dan_ A…²
<dbl> <dbl> <dbl> <dbl> <dbl>
1 63.0 72.9 67.4 75.4 71.6
2 61.6 70.8 64.8 76 73.0
3 62.6 71.3 66.1 75.8 73.1
4 61 72.8 67.0 76.6 74.1
5 64.3 74.6 69.8 77.0 74.5
6 62.1 72.0 65.6 77.2 73.7
7 58.1 69.1 64.7 73.9 71.0
8 62.4 71.5 66.1 76.7 72.7
9 62.1 73.4 68.0 76.4 76.7
10 68.5 75.3 67.6 78.4 79.2
# ℹ 24 more rows
# ℹ abbreviated names: ¹​`Pendapatan_Rumah _Tangga`, ²​`Kondisi_Rumah_dan_ Aset`Memilih semua kolom numerik dari data kecuali kolom Hubungan_Sosial. Hasilnya prediktor hanya berisi variabel numerik yang akan dipakai sebagai input PCA.
PCA
> pca_res <- prcomp(prediktor, scale. = TRUE)Menjalankan PCA pada prediktor menggunakan fungsi base prcomp.
> summary(pca_res)
Importance of components:
PC1 PC2 PC3 PC4 PC5
Standard deviation 2.054 0.59059 0.46555 0.3741 0.27319
Proportion of Variance 0.844 0.06976 0.04335 0.0280 0.01493
Cumulative Proportion 0.844 0.91373 0.95708 0.9851 1.00000Menampilkan ringkasan penting PCA, termasuk Standard deviation untuk setiap PC (sdev), Proportion of Variance (proporsi varians yang dijelaskan tiap PC), Cumulative Proportion (kumulatif varians). Membantu memilih berapa banyak komponen yang cukup dan menilai apakah komponen yang dipilih cukup representatif untuk biplot.
> loadings <- pca_res$rotation
> print(loadings)
PC1 PC2 PC3 PC4
Pendidikan 0.4221111 0.8024508 -0.2426223 0.169333038
Pekerjaan 0.4621373 -0.1250312 -0.5018026 0.000349269
Pendapatan_Rumah _Tangga 0.4446999 -0.5689045 -0.1752019 0.437718249
Kesehatan 0.4590461 -0.1163656 0.1159237 -0.841289400
Kondisi_Rumah_dan_ Aset 0.4469563 0.0569791 0.8032400 0.268255623
PC5
Pendidikan 0.3005922
Pekerjaan -0.7204098
Pendapatan_Rumah _Tangga 0.5062575
Kesehatan 0.2335157
Kondisi_Rumah_dan_ Aset -0.2825381Mengambil loadings baris = variabel asli, kolom = komponen utama. Elemen menunjukkan kontribusi variabel pada masing-masing PC.
> pca_scores <- as.data.frame(pca_res$x)
> pca_scores
PC1 PC2 PC3 PC4 PC5
1 -1.17561836 -0.05509784 -0.705216509 0.35000554 0.173291802
2 -1.72463808 0.24184492 0.352341122 -0.22309399 0.063095938
3 -1.35215350 0.19312663 0.160032147 0.11404085 0.206816876
4 -0.79381220 -0.42237997 0.261451358 -0.05438668 -0.146981785
5 0.47395816 -0.36261747 -0.285705464 0.35736961 0.170265541
6 -0.92045151 0.05955969 0.337988589 -0.52617860 0.016061805
7 -3.25882026 -0.33050164 0.184825406 0.36319270 0.162199496
8 -1.16151634 0.08549676 0.074807478 -0.33355481 0.302899122
9 -0.04202432 -0.34956399 0.779120155 0.50258119 -0.339866572
10 1.86326032 0.96427429 0.929619119 0.09231651 -0.406836301
11 0.62026456 1.10826409 -0.097535407 0.58741292 -0.037898674
12 -1.70369515 0.16856589 0.009868607 0.15528378 0.015873380
13 -1.45059113 0.25562288 0.054237519 -0.11743578 0.196494305
14 -1.48505466 1.15983818 0.493581215 -0.34958065 0.320671142
15 0.10795280 -0.49882920 0.545466799 0.22550845 0.207433156
16 -2.53649306 0.15244159 -0.470708213 0.86920862 -0.007075303
17 -1.22024431 1.37790420 0.205974437 -0.24275832 -0.337737504
18 -2.76641003 -0.43798288 0.087012339 -0.89464371 -0.173908497
19 -2.71790892 0.45864022 -0.851263452 0.03184850 -0.253757386
20 -0.79194014 -0.43234306 0.548893209 0.15744556 -0.081599642
21 0.53503021 -0.30303365 0.127831208 -0.01579997 0.237841933
22 0.72200968 -0.55795499 0.068115880 0.42314611 0.102005355
23 2.50470674 0.04708929 0.357428359 0.31223837 0.181030309
24 4.18061202 -0.36814339 0.259556408 -0.15435501 -0.194143852
25 3.58386506 0.33725308 -0.015912308 0.33445831 0.017872134
26 2.20630595 -0.09831617 -0.650652648 -0.13433738 0.087637284
27 -0.07058156 -0.68301383 -0.161297111 0.17550032 -0.091292434
28 0.02328859 -0.65369081 -0.266911810 -0.25426073 -0.527574643
29 1.28276207 0.51536206 -1.195849662 -0.08078103 -0.697218156
30 -1.23297395 -1.50680926 0.165574265 -0.19301507 -0.366985739
31 3.87174517 0.26461947 -0.185954122 -0.16437018 0.298673304
32 3.90499892 -0.52364604 -0.388328073 -0.19948087 0.315376244
33 2.37260538 0.24744780 -0.022339032 -0.74260564 0.048101366
34 -1.84843815 -0.05342684 -0.706051810 -0.37091893 0.539235994Mengambil skor komponen yaitu proyeksi tiap observasi ke sumbu sumbu PC dan menyimpannya sebagai data.frame (pca_scores). Menampilkan pca_scores memperlihatkan koordinat observasi pada tiap PC.
Biplot
> fviz_eig(pca_res)
Menggambarkan scree plot menggunakan factoextra::fviz_eig
plot bar atau line dari nilai eigen/proporsi varians tiap
PC
> biplot = fviz_pca_biplot(pca_res,
+ repel = TRUE,
+ col.var = "red",
+ col.ind = "blue")
> biplot
Menggambar biplot (observasi + variabel) pada dua PC pertama
secara default (PC1 vs PC2).
HASIL DAN PEMBAHASAN
Hasil Uji PCA
Importance of components:
PC1 PC2 PC3 PC4 PC5
Standard deviation 2.054 0.59059 0.46555 0.3741 0.27319
Proportion of Variance 0.844 0.06976 0.04335 0.0280 0.01493
Cumulative Proportion 0.844 0.91373 0.95708 0.9851 1.00000Analisis komponen utama (PCA) pada sekumpulan prediktor numerik menunjukkan bahwa komponen pertama (PC1) menangkap proporsi varians yang sangat besar, yaitu 84.4%, sedangkan PC2 menjelaskan sekitar 6.98% sehingga kedua komponen pertama bersama-sama menjelaskan 91.37% dari total varians. Fakta ini menunjukkan bahwa struktur variasi dalam data dapat direduksi secara efektif menjadi satu dimensi dominan dan sedikit penyempurna dari dimensi kedua karena lebih dari 90% informasi varians tertangkap oleh PC1 dan PC2 sehingga representasi dua dimensi (biplot PC1 vs PC2) adalah aproksimasi yang kuat untuk menggambarkan pola umum antar observasi.
PC1 PC2 PC3 PC4
Pendidikan 0.4221111 0.8024508 -0.2426223 0.169333038
Pekerjaan 0.4621373 -0.1250312 -0.5018026 0.000349269
Pendapatan_Rumah _Tangga 0.4446999 -0.5689045 -0.1752019 0.437718249
Kesehatan 0.4590461 -0.1163656 0.1159237 -0.841289400
Kondisi_Rumah_dan_ Aset 0.4469563 0.0569791 0.8032400 0.268255623
PC5
Pendidikan 0.3005922
Pekerjaan -0.7204098
Pendapatan_Rumah _Tangga 0.5062575
Kesehatan 0.2335157
Kondisi_Rumah_dan_ Aset -0.2825381Loadings pada PC1 memperlihatkan bahwa kelima variabel, yaitu Pendidikan = 0.42, Pekerjaan = 0.46, Pendapatan_Rumah_Tangga = 0.45, Kesehatan = 0.46, dan Kondisi_Rumah_dan_Aset = 0.45 memberi kontribusi positif dan relatif seimbang terhadap komponen ini. Pola loadings yang seragam tersebut mengindikasikan bahwa PC1 berperan sebagai faktor kesejahteraan umum. Observasi dengan skor PC1 tinggi memiliki kecenderungan memiliki nilai-nilai pendidikan, kondisi pekerjaan, pendapatan, kesehatan, dan kondisi rumah/aset yang lebih baik secara simultan, sedangkan skor PC1 rendah menandakan profil sebaliknya. PC2 memuat kontras yang berbeda di mana loading Pendidikan sangat besar positif (0.80) sementara loading Pendapatan_Rumah_Tangga relatif besar negatif (-0.57). Oleh karena itu PC2 dapat diinterpretasikan sebagai dimensi kontras antara tingkat pendidikan versus pendapatan. Observasi dengan skor PC2 tinggi cenderung berpendidikan relatif tinggi tetapi berpendapatan relatif rendah, sedangkan skor PC2 rendah menunjukkan situasi sebaliknya. Komponen-komponen lanjut (PC3-PC5) menangkap variasi spesifik seperti dominasi Kondisi_Rumah_dan_Aset pada PC3, dominasi Kesehatan pada PC4, dan kontras Pekerjaan terhadap Pendapatan/Pendidikan pada PC5. Namun, kontribusi variansnya jauh lebih kecil dibanding PC1 dan PC2 sehingga relevansi mereka terhadap gambaran umum lebih terbatas.
PC1 PC2 PC3 PC4 PC5
1 -1.17561836 -0.05509784 -0.705216509 0.35000554 0.173291802
2 -1.72463808 0.24184492 0.352341122 -0.22309399 0.063095938
3 -1.35215350 0.19312663 0.160032147 0.11404085 0.206816876
4 -0.79381220 -0.42237997 0.261451358 -0.05438668 -0.146981785
5 0.47395816 -0.36261747 -0.285705464 0.35736961 0.170265541
6 -0.92045151 0.05955969 0.337988589 -0.52617860 0.016061805
7 -3.25882026 -0.33050164 0.184825406 0.36319270 0.162199496
8 -1.16151634 0.08549676 0.074807478 -0.33355481 0.302899122
9 -0.04202432 -0.34956399 0.779120155 0.50258119 -0.339866572
10 1.86326032 0.96427429 0.929619119 0.09231651 -0.406836301
11 0.62026456 1.10826409 -0.097535407 0.58741292 -0.037898674
12 -1.70369515 0.16856589 0.009868607 0.15528378 0.015873380
13 -1.45059113 0.25562288 0.054237519 -0.11743578 0.196494305
14 -1.48505466 1.15983818 0.493581215 -0.34958065 0.320671142
15 0.10795280 -0.49882920 0.545466799 0.22550845 0.207433156
16 -2.53649306 0.15244159 -0.470708213 0.86920862 -0.007075303
17 -1.22024431 1.37790420 0.205974437 -0.24275832 -0.337737504
18 -2.76641003 -0.43798288 0.087012339 -0.89464371 -0.173908497
19 -2.71790892 0.45864022 -0.851263452 0.03184850 -0.253757386
20 -0.79194014 -0.43234306 0.548893209 0.15744556 -0.081599642
21 0.53503021 -0.30303365 0.127831208 -0.01579997 0.237841933
22 0.72200968 -0.55795499 0.068115880 0.42314611 0.102005355
23 2.50470674 0.04708929 0.357428359 0.31223837 0.181030309
24 4.18061202 -0.36814339 0.259556408 -0.15435501 -0.194143852
25 3.58386506 0.33725308 -0.015912308 0.33445831 0.017872134
26 2.20630595 -0.09831617 -0.650652648 -0.13433738 0.087637284
27 -0.07058156 -0.68301383 -0.161297111 0.17550032 -0.091292434
28 0.02328859 -0.65369081 -0.266911810 -0.25426073 -0.527574643
29 1.28276207 0.51536206 -1.195849662 -0.08078103 -0.697218156
30 -1.23297395 -1.50680926 0.165574265 -0.19301507 -0.366985739
31 3.87174517 0.26461947 -0.185954122 -0.16437018 0.298673304
32 3.90499892 -0.52364604 -0.388328073 -0.19948087 0.315376244
33 2.37260538 0.24744780 -0.022339032 -0.74260564 0.048101366
34 -1.84843815 -0.05342684 -0.706051810 -0.37091893 0.539235994Hubungan antara komponen utama dan variabel respons Hubungan_Sosial menunjukkan korelasi sedang-positif antara PC1 dan Hubungan_Sosial (+0.51) dan korelasi sedang-negatif antara PC2 dan Hubungan_Sosial (-0.33). Interpretasi gabungan dari hasil PCA tersebut adalah pola kesejahteraan kolektif yang diwakili PC1 berasosiasi positif dengan tingkat hubungan sosial yang mana semakin baik profil komposit (pendidikan, pekerjaan, pendapatan, kesehatan, kondisi rumah/aset), semakin tinggi pula skor Hubungan_Sosial pada dataset ini. Sementara itu, komponen kontras (PC2) mengindikasikan bahwa kelompok yang relatif berpendidikan tinggi namun berpendapatan rendah cenderung memiliki nilai Hubungan_Sosial yang lebih rendah dibanding kelompok lain.
Hasil Visualisasi Biplot
Visualisasi biplot hasil analisis PCA pada data dimensi
kepuasan hidup menunjukkan bahwa sumbu utama pertama (Dim1) menjelaskan
variasi sebesar 84,4%, sedangkan sumbu kedua (Dim2) menjelaskan 7%. Hal
ini berarti dua dimensi utama tersebut sudah mewakili 91,4% total
informasi yang terkandung dalam data sehingga interpretasi dapat
dilakukan dengan tingkat kepercayaan yang baik. Panah merah yang
merepresentasikan variabel menunjukkan arah dan besarnya kontribusi
masing-masing variabel terhadap pembentukan dimensi utama. Variabel
Pendidikan dan Pendapatan_Rumah_Tangga tampak memiliki kontribusi besar,
ditunjukkan oleh panjang vektor yang relatif lebih dominan dibandingkan
variabel lain. Arah vektor Pendidikan lebih kuat pada Dim2, sementara
Pendapatan_Rumah_Tangga lebih dominan di Dim1 sehingga keduanya menjadi
pembeda utama pada dimensi yang berbeda. Hubungan antar-variabel dapat
dilihat dari sudut antar-vektor. Variabel Pekerjaan, Kesehatan, dan
Kondisi_Rumah_dan_Aset terlihat hampir sejajar yang mengindikasikan
adanya korelasi positif yang kuat di antara ketiganya. Hal ini
menunjukkan bahwa rumah tangga yang memiliki kondisi pekerjaan baik
cenderung juga memiliki kesehatan yang lebih baik serta kondisi rumah
dan aset yang lebih memadai. Sebaliknya, vektor Pendidikan dan
Pendapatan_Rumah_Tangga menunjukkan arah yang hampir berlawanan pada
Dim2 sehingga dapat diartikan bahwa terdapat kecenderungan perbedaan
atau kontras antara tingkat pendidikan dan tingkat pendapatan rumah
tangga dalam menjelaskan variasi data.
Distribusi titik biru yang mewakili observasi memperlihatkan variasi antar rumah tangga. Titik yang terletak di sisi kanan Dim1 memiliki skor komponen utama yang tinggi sehingga cenderung mencerminkan rumah tangga dengan tingkat kesejahteraan umum lebih baik, meliputi pendidikan, pekerjaan, kesehatan, pendapatan, dan aset. Sebaliknya, titik yang berada di sisi kiri Dim1 menggambarkan rumah tangga dengan kondisi relatif kurang sejahtera. Beberapa observasi lain, seperti nomor 11, 14, dan 17, lebih menonjol pada arah Pendidikan, sedangkan observasi seperti nomor 30 lebih dekat pada arah Pendapatan_Rumah_Tangga. Secara keseluruhan, biplot ini memperlihatkan bahwa Dim1 dapat diinterpretasikan sebagai dimensi kesejahteraan umum, di mana semakin tinggi nilainya maka semakin baik pula tingkat hubungan sosial rumah tangga, sesuai dengan informasi pada data Indeks Kebahagiaan BPS (2021). Sementara itu, Dim2 berfungsi sebagai dimensi pembeda antara Pendidikan dan Pendapatan Rumah Tangga yang mengindikasikan adanya pola bahwa rumah tangga dengan pendidikan tinggi tidak selalu memiliki pendapatan tinggi, atau sebaliknya.
PENUTUP
Kesimpulan
Berdasarkan hasil analisis PCA dan Biplot terhadap data Dimensi Kepuasan Hidup Indeks Kebahagiaan (2021), dapat disimpulkan beberapa hal sebagai berikut.
Analisis PCA menunjukkan bahwa dua komponen utama (PC1 dan PC2) mampu menjelaskan 91,37% keragaman data, sehingga informasi utama dalam dataset sudah dapat terwakili dengan baik hanya melalui dua dimensi tersebut.
Komponen utama pertama (PC1) menjelaskan 84,4% keragaman data dan dapat ditafsirkan sebagai dimensi kesejahteraan umum rumah tangga, karena dipengaruhi oleh variabel pendidikan, pekerjaan, pendapatan rumah tangga, kesehatan, serta kondisi rumah dan aset.
Komponen utama kedua (PC2) menjelaskan 7% keragaman data dan berfungsi sebagai dimensi pembeda, terutama dalam membedakan variabel pendidikan (positif pada Dim2) dengan variabel pendapatan rumah tangga (negatif pada Dim2).
Hasil biplot menunjukkan bahwa variabel pekerjaan, kesehatan, dan kondisi rumah serta aset memiliki arah panah hampir sejajar sehingga terdapat korelasi positif yang kuat di antara ketiganya. Sebaliknya, variabel pendidikan dan pendapatan rumah tangga cenderung berlawanan arah pada Dim2 yang mengindikasikan adanya hubungan negatif.
Distribusi observasi pada biplot menunjukkan bahwa rumah tangga dengan skor tinggi pada Dim1 (misalnya observasi 24, 25, 31, 32) cenderung memiliki kesejahteraan umum yang tinggi, sementara rumah tangga dengan skor rendah pada Dim1 (misalnya observasi 7, 18, 19) cenderung memiliki kesejahteraan umum yang rendah.
Hasil PCA dan Biplot mendukung temuan bahwa hubungan sosial masyarakat berasosiasi positif dengan skor PC1. Dengan demikian, makin tinggi dimensi kesejahteraan umum rumah tangga, makin baik pula kualitas hubungan sosial yang dimiliki.
Saran
Berdasarkan analisis ini, terdapat beberapa saran sebagai berikut.
Pemerintah daerah dapat memberikan perhatian lebih pada peningkatan pendidikan dan pendapatan rumah tangga karena kedua variabel tersebut terbukti menjadi faktor yang paling membedakan rumah tangga dalam dimensi kesejahteraan dan berhubungan erat dengan kualitas hubungan sosial.
Program pembangunan masyarakat sebaiknya tidak hanya berfokus pada peningkatan pendapatan ekonomi, tetapi juga pada kualitas kesehatan dan kondisi rumah tangga, mengingat ketiga variabel ini saling berkorelasi positif dan bersama-sama berkontribusi terhadap kesejahteraan umum.
Hasil PCA menunjukkan bahwa dimensi kesejahteraan umum berpengaruh positif terhadap hubungan sosial. Oleh karena itu, kebijakan peningkatan daya beli, kesehatan masyarakat, dan kualitas hunian dapat sekaligus memperkuat jaringan sosial masyarakat.
Penelitian selanjutnya dapat memperluas analisis dengan menambahkan variabel sosial-ekonomi lain, seperti usia, status pernikahan, dan lokasi geografis, untuk memperoleh gambaran yang lebih komprehensif mengenai faktor-faktor yang memengaruhi kesejahteraan dan hubungan sosial.
Analisis multivariat dengan pendekatan PCA dan biplot terbukti efektif dalam memahami keterkaitan antar dimensi kesejahteraan rumah tangga dan kualitas hubungan sosial, sehingga metode ini dapat digunakan sebagai alat analisis standar dalam penelitian sosial ekonomi dan pembangunan masyarakat.
Daftar Pustaka
Anggraini, E. O. (2020). Kebahagiaan Subjektif pada Wanita Pekerja. PSYCHE: Jurnal Psikologi Universitas Muhammadiyah Lampung. 2(1): 12-16.
Badan Pusat Statistik. (2021). Indeks Kebahagiaan 2021. Badan Pusat Statistik Republik Indonesia. https://www.bps.go.id/id/publication/2021/12/27/ba1b0f03770569b5ac3ef58e/indeks-kebahagiaan-2021.html.
Borualogo, I. S. (2021). A Perspective of Material Well-Being: Kesejahteraan Subjektif Anak Indonesia. Jurnal Pendidikan Anak. Universitas Surabaya.
Suprihartiningsih, E. (2023). Studi Kasus Indeks Kebahagiaan di Indonesia Tahun 2021. Jurnal Sains Ekonomi dan Humaniora. 9(1): 117-119.
Susilowati, B. E., Sihombing, P. R. 2018. Metode ROBPCA (Robust Principal Component Analysis) dan Clara (Clustering Large Area) pada Data dengan Outlier (Studi Kasus Data Laporan Indeks Kebahagiaan Dunia Tahun 2018). Jurnal Ilmu Komputer. 13(2): 88-92.