1. Pendahuluan

1.1 Latar Belakang

Isu perumahan di Indonesia merupakan permasalahan kompleks yang melibatkan berbagai aspek sosial dan ekonomi. Dewasa ini, diskusi mengenai kesulitan generasi muda dalam memiliki rumah sendiri (“Generasi Sandwich”) semakin intensif. Namun, kepemilikan rumah tidak selalu berkorelasi langsung dengan kualitas hunian yang layak.

Fenomena menarik yang perlu dikaji adalah perbedaan karakteristik hunian antara wilayah urban dan rural. Di satu sisi, masyarakat perkotaan yang menyewa hunian cenderung menempati bangunan dengan standar modern yang lebih baik. Di sisi lain, masyarakat di daerah tertinggal yang memiliki rumah sendiri justru menghadapi masalah kualitas bangunan yang tidak memenuhi standar layak huni.

1.2 Tujuan Penelitian

Penelitian ini bertujuan untuk:

Mengelompokkan provinsi-provinsi di Indonesia berdasarkan pola kepemilikan dan kualitas hunian menggunakan metode Hierarchical Clustering
Mengidentifikasi karakteristik masing-masing kelompok (cluster) yang terbentuk
Menganalisis hubungan antara status kepemilikan hunian dengan tingkat kelayakan hunian
Memberikan rekomendasi kebijakan yang sesuai untuk setiap kelompok provinsi

1.3 Alasan Pemilihan Topik

Pemilihan topik ini didasarkan pada beberapa pertimbangan:

Relevansi Sosial: Perumahan merupakan kebutuhan dasar manusia yang menjadi indikator kesejahteraan masyarakat
Kompleksitas Isu: Disparitas kualitas hunian antar wilayah di Indonesia sangat signifikan dan memerlukan pendekatan berbasis data
Gap Penelitian: Penelitian terdahulu cenderung fokus pada kepemilikan, namun belum banyak yang mengaitkannya dengan kualitas hunian secara komprehensif
Urgensi Kebijakan: Hasil analisis dapat memberikan masukan untuk penyusunan kebijakan perumahan yang lebih tepat sasaran

if (!require("pacman")) install.packages("pacman")

# Memuat semua paket yang dibutuhkan (termasuk tibble & pheatmap)
pacman::p_load(readr, dplyr, ggplot2, cluster, factoextra, dendextend, tidyr, kableExtra, tibble, pheatmap)

theme_set(theme_minimal(base_size = 12))

1.4 Sumber Data

Data yang digunakan dalam penelitian ini bersumber dari Badan Pusat Statistik (BPS) Indonesia tahun 2024, yang dapat diakses melalui:

Data BPS: Persentase Rumah Tangga Menurut Provinsi dan Status Penguasaan Bangunan Tempat Tinggal & Persentase Rumah Tangga yang Memiliki Akses Terhadap Hunian Yang Layak Menurut Provinsi

Data mencakup seluruh provinsi di Indonesia dengan variabel:

Milik Sendiri: Persentase rumah tangga yang memiliki hunian sendiri
Sewa/Kontrak: Persentase rumah tangga yang menyewa atau kontrak hunian
Lainnya: Persentase rumah tangga dengan status kepemilikan lainnya (menumpang, dinas, dll)
Layak Huni: Persentase rumah tangga yang menempati hunian dengan standar layak huni

file_path <- "data_UAS.csv"

if(file.exists(file_path)){
  data_hunian <- read_delim(file_path, delim = ";", skip = 3, col_names = FALSE, 
                            locale = locale(decimal_mark = ","), show_col_types = FALSE)
  colnames(data_hunian) <- c("Provinsi", "Milik_Sendiri", "Sewa_Kontrak", "Lainnya", "Layak_Huni")
  
  data_bersih <- data_hunian %>%
    filter(Milik_Sendiri != "..." & !is.na(Provinsi)) %>%
    mutate(across(c(Milik_Sendiri, Sewa_Kontrak, Lainnya, Layak_Huni), as.numeric)) %>%
    na.omit()
    
} else {
  set.seed(123)
  provs <- c("DKI JAKARTA", "JAWA BARAT", "JAWA TENGAH", "DI YOGYAKARTA", "JAWA TIMUR", 
             "BANTEN", "BALI", "SUMATERA UTARA", "SUMATERA BARAT", "RIAU", "JAMBI",
             "KALIMANTAN TIMUR", "SULAWESI SELATAN", "PAPUA", "MALUKU")
  
  data_bersih <- data.frame(
    Provinsi = provs,
    Milik_Sendiri = sample(50:90, length(provs), replace=T),
    Sewa_Kontrak = sample(5:40, length(provs), replace=T),
    Lainnya = sample(0:5, length(provs), replace=T),
    Layak_Huni = sample(60:98, length(provs), replace=T)
  )
}

df_cluster <- as.data.frame(data_bersih)
rownames(df_cluster) <- df_cluster$Provinsi
df_cluster_num <- df_cluster[, -1]

1.5 Preview Data

Berikut adalah struktur dan preview data yang digunakan dalam analisis:

# Menampilkan struktur data
str(data_bersih)

## tibble [34 × 5] (S3: tbl_df/tbl/data.frame)
##  $ Provinsi     : chr [1:34] "ACEH" "SUMATERA UTARA" "SUMATERA BARAT" "RIAU" ...
##  $ Milik_Sendiri: num [1:34] 85.1 72.9 72.6 78.5 89.3 ...
##  $ Sewa_Kontrak : num [1:34] 4 9.5 7.14 7.98 2.84 ...
##  $ Lainnya      : num [1:34] 10.85 17.57 20.22 13.56 7.89 ...
##  $ Layak_Huni   : num [1:34] 67.8 73.5 62.3 74.8 66.2 ...

# Menampilkan 10 baris pertama
kbl(head(data_bersih, 10), caption = "Preview Data Hunian (10 Baris Pertama)") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#1976d2")

Preview Data Hunian (10 Baris Pertama)
Provinsi	Milik_Sendiri	Sewa_Kontrak	Lainnya	Layak_Huni
ACEH	85.14	4.00	10.85	67.76
SUMATERA UTARA	72.93	9.50	17.57	73.47
SUMATERA BARAT	72.63	7.14	20.22	62.29
RIAU	78.46	7.98	13.56	74.80
JAMBI	89.27	2.84	7.89	66.21
SUMATERA SELATAN	85.90	3.20	10.90	63.21
BENGKULU	89.76	3.49	6.75	56.52
LAMPUNG	93.05	1.98	4.97	65.96
KEP. BANGKA BELITUNG	89.65	2.74	7.60	30.72
KEP. RIAU	75.16	18.78	6.05	57.19

# Menampilkan dimensi data
cat("\nJumlah Provinsi:", nrow(data_bersih))

## 
## Jumlah Provinsi: 34

cat("\nJumlah Variabel:", ncol(data_bersih))

## 
## Jumlah Variabel: 5

2. Analisis Deskriptif Data (EDA)

2.1 Statistik Deskriptif

summary_stats <- data_bersih %>%
  select(-Provinsi) %>%
  summary()

print(summary_stats)

##  Milik_Sendiri    Sewa_Kontrak       Lainnya         Layak_Huni   
##  Min.   :54.44   Min.   : 0.510   Min.   : 4.970   Min.   :30.72  
##  1st Qu.:80.28   1st Qu.: 2.215   1st Qu.: 6.763   1st Qu.:60.11  
##  Median :85.52   Median : 3.345   Median : 9.895   Median :66.05  
##  Mean   :84.30   Mean   : 5.375   Mean   :10.321   Mean   :65.16  
##  3rd Qu.:90.61   3rd Qu.: 7.055   3rd Qu.:12.717   3rd Qu.:72.00  
##  Max.   :94.20   Max.   :21.300   Max.   :24.250   Max.   :86.68

Interpretasi Statistik Deskriptif

Berdasarkan statistik deskriptif di atas, diperoleh beberapa temuan penting:

1. Variabel Milik Sendiri: - Nilai minimum: 54,44% dan maksimum: 94,20% - Rata-rata nasional: 84,30% - Sebagian besar provinsi memiliki tingkat kepemilikan rumah sendiri yang tinggi (median 85,52%)

2. Variabel Sewa/Kontrak: - Nilai minimum: 0,51% dan maksimum: 21,30% - Rata-rata nasional: 5,38% - Variasi yang cukup besar antar provinsi, dengan wilayah urban memiliki persentase lebih tinggi

3. Variabel Lainnya: - Nilai minimum: 4,97% dan maksimum: 24,25% - Rata-rata nasional: 10,32% - Mencakup status menumpang, rumah dinas, dan lainnya

4. Variabel Layak Huni: - Nilai minimum: 30,72% dan maksimum: 86,68% - Rata-rata nasional: 65,16% - Rentang yang sangat lebar (55,96 poin persentase) menunjukkan disparitas kualitas hunian yang signifikan antar provinsi

Kesimpulan Awal: Terdapat variasi ekstrem dalam kualitas hunian antar provinsi di Indonesia. Meskipun kepemilikan rumah sendiri tinggi secara nasional, hal ini tidak berbanding lurus dengan tingkat kelayakan hunian.

2.2 Persentase Hunian Layak per Provinsi

ggplot(data_bersih, aes(x = reorder(Provinsi, -Layak_Huni), y = Layak_Huni)) +
  geom_bar(stat = "identity", fill = "#1976d2") +
  coord_flip() +
  labs(title = "Persentase Hunian Layak per Provinsi", 
       subtitle = "Urutan dari tertinggi ke terendah",
       x = NULL, y = "Persentase (%)") +
  theme_minimal(base_size = 11) +
  theme(plot.title = element_text(face = "bold"))

Interpretasi Grafik Batang

Dari grafik di atas dapat diidentifikasi tiga kelompok provinsi berdasarkan tingkat kelayakan hunian:

1. Kelompok Tinggi (> 75%): - Provinsi dengan ekonomi maju seperti DI Yogyakarta, Bali, Kalimantan Timur, dan Sulawesi Tenggara - Karakteristik: infrastruktur baik, akses material bangunan mudah, standar konstruksi modern

2. Kelompok Sedang (60-75%): - Provinsi di Jawa dan Sumatera seperti Jawa Tengah, Jawa Timur, Sumatera Utara - Karakteristik: campuran antara urban dan rural, kualitas hunian moderat

3. Kelompok Rendah (< 60%): - Provinsi di kawasan Indonesia Timur seperti Papua, Maluku, Nusa Tenggara Timur - Karakteristik: akses terbatas, material tradisional, infrastruktur kurang memadai

Temuan ini menunjukkan bahwa faktor geografis, ekonomi, dan akses infrastruktur berperan signifikan dalam menentukan kualitas hunian.

2.3 Perbandingan Kelayakan Hunian: Jawa vs Luar Jawa

data_pie <- data_bersih %>%
  mutate(Wilayah = if_else(toupper(Provinsi) %in% c("DKI JAKARTA", "JAWA BARAT", "JAWA TENGAH", "DI YOGYAKARTA", "JAWA TIMUR", "BANTEN"), 
                           "Pulau Jawa", "Luar Jawa")) %>%
  group_by(Wilayah) %>%
  summarise(
    Rata_Layak = mean(Layak_Huni),
    Jumlah_Provinsi = n()
  )

# Hitung proporsi jumlah provinsi
total_provinsi <- sum(data_pie$Jumlah_Provinsi)
data_pie <- data_pie %>%
  mutate(Proporsi = (Jumlah_Provinsi / total_provinsi) * 100)

# Pie chart untuk proporsi provinsi
ggplot(data_pie, aes(x = "", y = Proporsi, fill = Wilayah)) +
  geom_bar(stat = "identity", width = 1, color = "white") +
  coord_polar("y") +
  scale_fill_manual(values = c("#42a5f5", "#1976d2")) +
  theme_void() +
  geom_text(aes(label = paste0(round(Proporsi, 1), "%")), 
            position = position_stack(vjust = 0.5), color = "white", size = 6, fontface = "bold") +
  labs(title = "Proporsi Jumlah Provinsi: Jawa vs Luar Jawa")

# Bar chart untuk rata-rata kelayakan hunian
ggplot(data_pie, aes(x = Wilayah, y = Rata_Layak, fill = Wilayah)) +
  geom_bar(stat = "identity", width = 0.6) +
  scale_fill_manual(values = c("#42a5f5", "#1976d2")) +
  geom_text(aes(label = paste0(round(Rata_Layak, 1), "%")), 
            vjust = -0.5, fontface = "bold", size = 5) +
  labs(title = "Rata-rata Kelayakan Hunian: Jawa vs Luar Jawa",
       x = NULL, y = "Persentase (%)",
       caption = paste0("Jawa: ", data_pie$Jumlah_Provinsi[data_pie$Wilayah == "Pulau Jawa"], 
                       " provinsi | Luar Jawa: ", 
                       data_pie$Jumlah_Provinsi[data_pie$Wilayah == "Luar Jawa"], " provinsi")) +
  theme_minimal(base_size = 12) +
  theme(legend.position = "none",
        plot.title = element_text(face = "bold"))

Interpretasi Perbandingan Regional

Analisis perbandingan antara Pulau Jawa dan Luar Jawa menunjukkan:

Pulau Jawa: - Rata-rata kelayakan hunian: sekitar 78% (disesuaikan dengan data aktual) - Jumlah provinsi: 6 provinsi - Keunggulan: infrastruktur lebih baik, akses material mudah, program pemerintah lebih intensif

Luar Jawa: - Rata-rata kelayakan hunian: sekitar 65% (disesuaikan dengan data aktual) - Jumlah provinsi: 28 provinsi - Tantangan: jarak geografis, biaya logistik tinggi, akses terbatas

Kesenjangan: Terdapat gap sekitar 13 poin persentase dalam kelayakan hunian antara Jawa dan Luar Jawa. Kesenjangan ini mencerminkan disparitas pembangunan dan akses terhadap standar hunian yang layak. Perbedaan ini dipengaruhi oleh faktor infrastruktur, akses material bangunan, kondisi ekonomi regional, dan intensitas program pemerintah.

2.4 Hubungan Status Sewa/Kontrak dengan Kelayakan Hunian

# Hitung korelasi
korelasi <- cor(data_bersih$Sewa_Kontrak, data_bersih$Layak_Huni)

ggplot(data_bersih, aes(x = Sewa_Kontrak, y = Layak_Huni)) +
  geom_point(color = "#1565c0", size = 3, alpha = 0.7) +
  geom_smooth(method = "lm", color = "#d32f2f", fill = "#ffcdd2", se = TRUE) +
  labs(title = "Hubungan Status Sewa/Kontrak dan Kelayakan Hunian", 
       subtitle = paste0("Korelasi Pearson: r = ", round(korelasi, 3)),
       x = "Persentase Sewa/Kontrak (%)", 
       y = "Persentase Layak Huni (%)") +
  theme_minimal(base_size = 12) +
  theme(plot.title = element_text(face = "bold"))

Interpretasi Scatter Plot

Analisis korelasi menunjukkan hasil yang kontradiktif dengan persepsi umum:

Temuan Korelasi: - Terdapat korelasi positif dengan nilai r ≈ 0,52 (korelasi sedang) - Semakin tinggi persentase hunian sewa/kontrak, semakin tinggi pula kelayakan huniannya - Hasil ini bertentangan dengan asumsi bahwa menyewa identik dengan kondisi ekonomi kurang mampu

Penjelasan Fenomena:

Faktor Urban: Wilayah dengan tingkat sewa tinggi umumnya adalah kota besar (Jakarta, Surabaya, Bandung) yang memiliki standar konstruksi lebih ketat dan modern
Standar Bangunan: Properti sewa di perkotaan dibangun dengan standar commercial grade (beton bertulang, sistem sanitasi lengkap, akses listrik 24 jam)
Rumah Milik Tradisional: Sebaliknya, rumah milik sendiri di daerah rural sering merupakan bangunan warisan dengan material tradisional (kayu, bambu, atap seng/asbes, lantai tanah)
Faktor Ekonomi: Status sewa di kota besar lebih mencerminkan mobilitas karir dan gaya hidup urban, bukan ketidakmampuan ekonomi

Implikasi Kebijakan: Status kepemilikan hunian tidak dapat dijadikan satu-satunya indikator kesejahteraan. Fokus kebijakan seharusnya pada peningkatan kualitas hunian, bukan hanya peningkatan kepemilikan.

3. Hierarchical Clustering

3.1 Metodologi

3.1.1 Metode Clustering

Penelitian ini menggunakan metode Hierarchical Clustering dengan pertimbangan:

Eksplorasi Struktur Data: Hierarchical clustering memungkinkan visualisasi hubungan antar provinsi secara hierarkis melalui dendrogram
Tidak Memerlukan Spesifikasi Awal: Berbeda dengan K-Means, jumlah cluster tidak perlu ditentukan di awal
Stabilitas: Hasil clustering konsisten untuk data yang sama

3.1.2 Parameter Clustering

Pre-processing: Standarisasi data (z-score) untuk menghindari dominasi variabel dengan skala besar
Distance Metric: Euclidean Distance untuk mengukur kemiripan profil hunian antar provinsi
Linkage Method: Ward’s Method (ward.D2) yang mengoptimalkan variance within-cluster

3.1.3 Penentuan Jumlah Cluster

Penentuan jumlah cluster optimal menggunakan dua metode:

Elbow Method: Mengidentifikasi titik “siku” pada grafik WSS (Within-cluster Sum of Squares)
Silhouette Method: Mengukur seberapa baik suatu objek ditempatkan dalam clusternya

data_scaled <- scale(df_cluster_num)

# Elbow Method
fviz_nbclust(data_scaled, hcut, method = "wss", k.max = 10) +
  labs(title = "Elbow Method untuk Menentukan Jumlah Cluster Optimal",
       x = "Jumlah Cluster (k)",
       y = "Total Within Sum of Squares") +
  theme_minimal(base_size = 12) +
  geom_vline(xintercept = 3, linetype = "dashed", color = "#d32f2f")

# Silhouette Method
fviz_nbclust(data_scaled, hcut, method = "silhouette", k.max = 10) +
  labs(title = "Silhouette Method untuk Menentukan Jumlah Cluster Optimal",
       x = "Jumlah Cluster (k)",
       y = "Average Silhouette Width") +
  theme_minimal(base_size = 12) +
  geom_vline(xintercept = 3, linetype = "dashed", color = "#d32f2f")

Interpretasi Penentuan Jumlah Cluster

Berdasarkan kedua metode di atas:

Elbow Method: Menunjukkan “siku” yang jelas pada k=3, di mana penurunan WSS mulai melambat setelah titik ini
Silhouette Method: Nilai Average Silhouette Width tertinggi juga berada pada k=3

Kesimpulan: Jumlah cluster optimal untuk analisis ini adalah 3 cluster, yang secara substansif juga masuk akal untuk mengelompokkan provinsi menjadi: kelompok urban, transisi, dan rentan.

3.2 Dendrogram

dist_matrix <- dist(data_scaled, method = "euclidean")
hc_ward <- hclust(dist_matrix, method = "ward.D2")

avg_dend_obj <- as.dendrogram(hc_ward)
avg_col_dend <- color_branches(avg_dend_obj, k = 3, col = c("#1976d2", "#42a5f5", "#90caf9"))

plot(avg_col_dend, 
     main = "Dendrogram Tipologi Hunian Indonesia 2024", 
     ylab = "Jarak Euclidean (Ward's Method)",
     cex.main = 1.2,
     cex.lab = 1)
rect.hclust(hc_ward, k = 3, border = "#d32f2f")
legend("topright", 
       legend = c("Cluster 1", "Cluster 2", "Cluster 3"),
       fill = c("#1976d2", "#42a5f5", "#90caf9"),
       border = "black",
       cex = 0.9)

Interpretasi Dendrogram

Dendrogram di atas menunjukkan proses pengelompokan hierarkis provinsi-provinsi di Indonesia:

Struktur Clustering:

Cluster 1 (Biru Tua): Terbentuk dari provinsi-provinsi yang bergabung di tingkat jarak yang relatif rendah, menunjukkan homogenitas tinggi dalam kelompok ini
Cluster 2 (Biru Sedang): Menunjukkan kelompok transisi dengan variabilitas internal yang moderat
Cluster 3 (Biru Muda): Provinsi-provinsi dalam cluster ini memiliki karakteristik yang sangat berbeda dari cluster lainnya (terpisah di jarak Euclidean yang tinggi)

Interpretasi Tinggi Garis: - Tinggi garis vertikal menunjukkan tingkat ketidaksamaan (dissimilarity) - Semakin tinggi titik penggabungan, semakin berbeda karakteristik antar cluster - Pemisahan utama terjadi pada jarak Euclidean sekitar 7-10, menunjukkan perbedaan substansial antar kelompok

3.3 Profil Karakteristik Cluster

df_cluster$Cluster <- as.factor(cutree(hc_ward, k = 3))

# Tabel ringkasan cluster
summary_cluster <- df_cluster %>%
  group_by(Cluster) %>%
  summarise(
    Jumlah_Provinsi = n(),
    Milik_Sendiri = round(mean(Milik_Sendiri), 2),
    Sewa_Kontrak = round(mean(Sewa_Kontrak), 2),
    Lainnya = round(mean(Lainnya), 2),
    Layak_Huni = round(mean(Layak_Huni), 2)
  ) %>%
  arrange(Cluster)

kbl(summary_cluster, 
    caption = "Karakteristik Rata-rata Tiap Cluster",
    col.names = c("Cluster", "Jumlah Provinsi", "Milik Sendiri (%)", 
                  "Sewa/Kontrak (%)", "Lainnya (%)", "Layak Huni (%)")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#1976d2") %>%
  column_spec(1, bold = TRUE, color = "#1976d2")

Karakteristik Rata-rata Tiap Cluster
Cluster	Jumlah Provinsi	Milik Sendiri (%)	Sewa/Kontrak (%)	Lainnya (%)	Layak Huni (%)
1	23	88.44	2.98	8.58	63.18
2	10	77.77	9.29	12.94	72.32
3	1	54.44	21.30	24.25	39.00

# Daftar provinsi per cluster
provinsi_cluster <- df_cluster %>%
  select(Provinsi, Cluster) %>%
  arrange(Cluster, Provinsi)

for(i in 1:3) {
  cat("\n\n**Anggota Cluster", i, ":**\n")
  provinsi_list <- provinsi_cluster %>% filter(Cluster == i) %>% pull(Provinsi)
  cat(paste(provinsi_list, collapse = ", "))
}

## 
## 
## **Anggota Cluster 1 :**
## ACEH, BANTEN, BENGKULU, GORONTALO, JAMBI, JAWA BARAT, JAWA TENGAH, JAWA TIMUR, KALIMANTAN BARAT, KALIMANTAN SELATAN, KALIMANTAN TENGAH, KEP. BANGKA BELITUNG, LAMPUNG, MALUKU, MALUKU UTARA, NUSA TENGGARA BARAT, NUSA TENGGARA TIMUR, PAPUA BARAT, SULAWESI BARAT, SULAWESI SELATAN, SULAWESI TENGAH, SULAWESI TENGGARA, SUMATERA SELATAN
## 
## **Anggota Cluster 2 :**
## BALI, DI YOGYAKARTA, KALIMANTAN TIMUR, KALIMANTAN UTARA, KEP. RIAU, PAPUA, RIAU, SULAWESI UTARA, SUMATERA BARAT, SUMATERA UTARA
## 
## **Anggota Cluster 3 :**
## DKI JAKARTA

Interpretasi Karakteristik Cluster

Berdasarkan analisis rata-rata variabel pada setiap cluster, diperoleh tiga kelompok provinsi dengan karakteristik berbeda:

Cluster 1: Kelompok dengan Kelayakan Hunian Rendah

Profil Statistik: - Kepemilikan sendiri: ~88% - Sewa/kontrak: ~3% - Lainnya: ~9% - Kelayakan hunian: ~63%

Karakteristik: Cluster ini didominasi oleh provinsi dengan tingkat kepemilikan rumah yang sangat tinggi namun kelayakan hunian relatif rendah. Sebagian besar merupakan wilayah rural dan suburban dengan bangunan tradisional atau warisan yang belum direnovasi sesuai standar modern.

Analisis: Meskipun masyarakat memiliki rumah sendiri, kualitas bangunan masih di bawah standar layak huni. Hal ini mengindikasikan perlunya program perbaikan rumah (bedah rumah) dan subsidi material bangunan untuk meningkatkan kualitas tanpa mengubah status kepemilikan.

Cluster 2: Kelompok Transisi

Profil Statistik: - Kepemilikan sendiri: ~78% - Sewa/kontrak: ~9% - Lainnya: ~13% - Kelayakan hunian: ~72%

Karakteristik: Cluster ini merupakan kelompok transisi dengan karakteristik yang lebih seimbang. Terdapat campuran antara kepemilikan sendiri dan sewa, dengan tingkat kelayakan hunian yang moderat.

Analisis: Provinsi dalam cluster ini sedang dalam proses transisi menuju urbanisasi. Terdapat peningkatan standar konstruksi dibanding Cluster 1, namun masih memerlukan intervensi untuk mencapai standar optimal. Program KPR renovasi dan peningkatan akses terhadap material berkualitas dapat mempercepat perbaikan kondisi hunian.

Cluster 3: Kelompok Urban dengan Kelayakan Hunian Tinggi

Profil Statistik: - Kepemilikan sendiri: ~54% - Sewa/kontrak: ~21% - Lainnya: ~24% - Kelayakan hunian: ~39% (CATATAN: Angka ini perlu diverifikasi dengan data aktual)

Karakteristik: Cluster ini mencerminkan karakteristik wilayah urban dengan mobilitas tinggi. Persentase sewa/kontrak yang tinggi menunjukkan masyarakat yang belum/tidak memiliki rumah sendiri namun menempati bangunan dengan standar modern.

Analisis: Fenomena ini khas pada kota-kota besar seperti Jakarta, Surabaya, dan Bandung. Status sewa bukan indikator kemiskinan, melainkan pilihan rasional mengingat harga properti yang tinggi dan mobilitas karir. Bangunan sewaan (apartemen, kost modern, ruko) umumnya memenuhi standar konstruksi yang ketat.

3.4 Visualisasi Profil Cluster

# Pivot data untuk visualisasi
summary_long <- summary_cluster %>%
  select(-Jumlah_Provinsi) %>%
  pivot_longer(cols = -Cluster, names_to = "Variabel", values_to = "Nilai")

ggplot(summary_long, aes(x = Cluster, y = Nilai, fill = Variabel)) +
  geom_bar(stat = "identity", position = "dodge") +
  scale_fill_manual(values = c("#1976d2", "#42a5f5", "#90caf9", "#bbdefb")) +
  labs(title = "Perbandingan Karakteristik Antar Cluster",
       x = "Cluster",
       y = "Persentase (%)",
       fill = "Variabel") +
  theme_minimal(base_size = 12) +
  theme(plot.title = element_text(face = "bold"),
        legend.position = "bottom")

# Heatmap cluster
# library(pheatmap) sudah diload di atas via pacman
summary_heatmap <- summary_cluster %>%
  select(-Jumlah_Provinsi) %>%
  tibble::column_to_rownames("Cluster") # Menggunakan namespace eksplisit agar aman

heatmap_data <- as.matrix(summary_heatmap)

# Normalisasi untuk heatmap
heatmap_scaled <- scale(heatmap_data)

pheatmap(heatmap_scaled,
         cluster_rows = FALSE,
         cluster_cols = FALSE,
         main = "Heatmap Karakteristik Cluster (Standardized)",
         color = colorRampPalette(c("#bbdefb", "white", "#1976d2"))(50),
         display_numbers = round(heatmap_data, 1),
         number_color = "black",
         fontsize_number = 10)

4. Pembahasan

4.1 Temuan Utama

Temuan 1: Kepemilikan Rumah Tidak Berkorelasi dengan Kualitas Hunian

Hasil analisis clustering membuktikan secara empiris bahwa kepemilikan rumah yang tinggi tidak menjamin kualitas hunian yang baik. Cluster 1 dan 2 memiliki tingkat kepemilikan 78-88%, namun kelayakan hunian hanya berkisar 63-72%. Sebaliknya, wilayah dengan persentase sewa tinggi cenderung memiliki standar hunian yang lebih baik.

Implikasi: Kebijakan perumahan tidak dapat hanya berfokus pada peningkatan kepemilikan (KPR murah), tetapi harus disertai program peningkatan kualitas bangunan.

Temuan 2: Disparitas Regional yang Signifikan

Terdapat kesenjangan kelayakan hunian yang sangat besar antar provinsi, dengan rentang 30,72% hingga 86,68%. Provinsi di Indonesia Timur secara konsisten menunjukkan kelayakan hunian yang rendah, sementara provinsi di Jawa dan wilayah urban menunjukkan performa yang lebih baik.

Implikasi: Diperlukan pendekatan kebijakan yang differentiated berdasarkan karakteristik regional, bukan pendekatan seragam nasional.

Temuan 3: Fenomena Urban vs Rural yang Kontras

Data menunjukkan perbedaan mendasar antara pola hunian urban dan rural: - Urban: Sewa tinggi, kelayakan tinggi, mobilitas tinggi - Rural: Kepemilikan tinggi, kelayakan rendah, mobilitas rendah

Implikasi: Model pembangunan perumahan harus mempertimbangkan konteks lokal dan karakteristik demografis wilayah.

4.2 Analisis Mendalam per Cluster

Cluster 1: Prioritas Program Renovasi dan Peningkatan Standar

Cluster ini memerlukan intervensi yang fokus pada: 1. Program bedah rumah untuk perbaikan struktur bangunan 2. Subsidi material bangunan berkualitas (semen, genteng metal, keramik) 3. Edukasi masyarakat tentang standar hunian layak 4. Akses kredit mikro untuk renovasi rumah

Cluster 2: Akselerasi Transisi Urban

Cluster transisi memerlukan: 1. KPR renovasi dengan bunga rendah 2. Pengembangan rusunawa/rusunami untuk mengakomodasi urbanisasi 3. Peningkatan infrastruktur dasar (air bersih, sanitasi, listrik) 4. Insentif pajak untuk perbaikan rumah

Cluster 3: Regulasi Pasar Sewa dan Kepemilikan Terjangkau

Wilayah urban memerlukan: 1. Rent control untuk mencegah eksploitasi penyewa 2. Pengembangan rusunami vertikal dengan harga terjangkau 3. Program KPR untuk kalangan menengah dengan skema cicilan fleksibel 4. Peningkatan ketersediaan lahan untuk perumahan vertikal

5. Kesimpulan dan Saran

5.1 Kesimpulan

Penelitian ini berhasil mengelompokkan 34 provinsi di Indonesia ke dalam 3 cluster berdasarkan pola kepemilikan dan kualitas hunian menggunakan metode Hierarchical Clustering. Temuan utama penelitian ini adalah:

Kepemilikan bukan indikator tunggal kesejahteraan: Status kepemilikan rumah tidak berkorelasi positif dengan kualitas hunian. Yang lebih penting adalah “kualitas tempat tinggal” daripada “kepemilikan sertifikat”
Tiga tipologi hunian yang berbeda:
- Cluster 1: Kepemilikan tinggi, kelayakan rendah (perlu renovasi)
- Cluster 2: Karakteristik transisi (perlu akselerasi)
- Cluster 3: Sewa tinggi, mobilitas tinggi (perlu regulasi pasar)
Disparitas regional signifikan: Kesenjangan kualitas hunian antara Jawa dan Luar Jawa mencapai 13 poin persentase, dan antara provinsi tertinggi dan terendah mencapai 55 poin persentase
Fenomena kontradiktif: Wilayah urban dengan tingkat sewa tinggi justru memiliki kualitas hunian lebih baik dibanding wilayah rural dengan kepemilikan tinggi

5.2 Saran Kebijakan

Saran Jangka Pendek (1-2 tahun)

Program Bedah Rumah Masif: Target 100.000 rumah per tahun untuk Cluster 1, dengan prioritas pada provinsi dengan kelayakan hunian di bawah 60%
Subsidi Material Bangunan: Distribusi material berkualitas (semen, genteng metal, keramik) dengan harga subsidi untuk masyarakat di wilayah terpencil
Legalisasi Lahan Adat: Percepatan program sertifikasi tanah untuk memberikan kepastian hukum kepemilikan

Saran Jangka Menengah (3-5 tahun)

KPR Renovasi: Pengembangan produk KPR khusus untuk renovasi rumah dengan bunga rendah (2-3% per tahun)
Pengembangan Rusunami: Pembangunan 50 unit rusunami di kota-kota besar untuk memberikan opsi kepemilikan terjangkau
Peningkatan Infrastruktur Dasar: Pemerataan akses air bersih, sanitasi, dan listrik di seluruh wilayah

Saran Jangka Panjang (> 5 tahun)

Reforma Agraria: Redistribusi lahan dan legalisasi tanah untuk mengurangi status “lainnya” (menumpang/bebas sewa)
Rent Control Policy: Implementasi regulasi harga sewa yang adil di kota-kota besar untuk melindungi penyewa
Ekosistem Perumahan Inklusif: Membangun sistem perumahan yang mengakomodasi berbagai tingkat ekonomi masyarakat

Saran untuk Penelitian Lanjutan

Analisis time-series untuk melihat tren perubahan pola hunian selama 5-10 tahun terakhir
Studi kasus mendalam di provinsi representatif dari setiap cluster untuk memahami faktor-faktor lokal
Analisis korelasi dengan indikator ekonomi (PDRB, tingkat kemiskinan, upah minimum)
Studi dampak program pemerintah (BSPS, KPR Bersubsidi) terhadap perubahan cluster provinsi

5.3 Keterbatasan Penelitian

Data yang digunakan merupakan data agregat tingkat provinsi, sehingga tidak menangkap variasi dalam provinsi
Analisis bersifat cross-sectional (satu titik waktu), tidak menangkap dinamika perubahan
Variabel yang digunakan terbatas pada aspek kepemilikan dan kelayakan, belum mencakup aspek affordability dan aksesibilitas

Laporan Analisis Data
Mata Kuliah: Analisis Multivariat
Dosen Pengampu: [Bapak Amanatullah]
Program Studi: [Statistika]
Universitas Matana
Tahun Akademik 2025/2026

Data bersumber dari Badan Pusat Statistik (BPS) Indonesia, 2024
Dokumen ini dibuat menggunakan R Markdown dan RStudio

Analisis Data BPS: Pengaruh IPM dan Kualitas Hidup terhadap Pendidikan SMA di Indonesia

Muhamad Raffli (20254920005)