Dokumen ini menyajikan analisis content error antara data SE dan PES untuk variabel kategorik dan numerik, baik pada level nasional maupun wilayah tertentu. Untuk pengelolaan versi (version control) yang lebih baik, silakan melakukan clone repository dari Git BPS: https://git.bps.go.id/handy.geraldy/content-pes-se2026
source("utils/01_utils_pairing.R")
source("utils/02_utils_content_error.R")
source("utils/03_utils_export.R")
pacman::p_load(readxl, rio)berisi fungsi untuk:
- melakukan pairing unit analisis (usaha) antara data Pairs, SE, dan PES
- membersihkan missing value hasil matching
- mengonversi variabel numerik menjadi kategorik (binary)
- menghasilkan dataset siap tabulasi content error
attach_se_pes = function(pair, se, pes, dropna = TRUE) {
# Standarisasi nama kolom nilai
se = se %>%
rename(
id_se = 1,
var_se = 2
)
pes = pes %>%
rename(
id_pes = 1,
var_pes = 2
)
# Matching pairs dengan SE dan PES
out = pair %>%
left_join(se, by = "id_se") %>%
left_join(pes, by = "id_pes")
# Drop observasi tanpa nilai di SE dan PES
if (dropna) {
out = out %>%
filter(!(is.na(var_se) & is.na(var_pes)))
}
out
}
numeric_to_binary = function(df, threshold) {
df %>%
mutate(
growth = if_else(
var_pes == 0,
0,
100 * (var_se - var_pes) / var_pes
),
var_se = as.integer(growth >= 0),
var_pes = as.integer(
(growth >= 0 & growth <= threshold) |
(growth < -threshold)
)
) %>%
select(-growth)
}
build_content_table = function(pair, se, pes, group,
varnames = "var",
dropna = TRUE,
num_to_bin = NULL,
type = c("categoric", "numeric")) {
# default categoric
type = match.arg(type)
# Validasi
if (!is.null(num_to_bin) && type != "categoric") {
stop("num_to_bin hanya boleh digunakan untuk type = 'categoric'")
}
# =======================================================
# 1. Matching & cleaning dasar
# =======================================================
data = attach_se_pes(pair, se, pes, dropna)
# =======================================================
# 2a. Pendekatan numerik (regresi)
# =======================================================
if (type == 'numeric') {
return(
data %>% select(all_of(group), var_se, var_pes)
)
}
# =======================================================
# 2b. Konversi numerik → kategorik
# =======================================================
if (!is.null(num_to_bin)) {
data = numeric_to_binary(data, num_to_bin)
}
# =======================================================
# 3. Perlakuan NA untuk kategorik
# (NA = kategori eksplisit)
# =======================================================
data = data %>%
mutate(
var_se = replace_na(as.character(var_se), "KOSONG"),
var_pes = replace_na(as.character(var_pes), "KOSONG")
)
# =======================================================
# 4. Tabulasi frekuensi SE × PES
# =======================================================
# Gabungkan domain SE dan PES
levels_all = union(
unique(data$var_se),
unique(data$var_pes)
)
# Pisahkan KOSONG
has_kosong = "KOSONG" %in% levels_all
levels_sorted = levels_all[levels_all != "KOSONG"]
# Urutkan level selain KOSONG
levels_sorted = if (all(!is.na(suppressWarnings(as.numeric(levels_sorted))))) {
# jika numerik tersimpan sebagai character
levels_sorted[order(as.numeric(levels_sorted))]
} else {
# jika benar-benar kategorik
sort(levels_sorted)
}
# Tambahkan KOSONG di akhir (jika ada)
if (has_kosong) {
levels_sorted = c(levels_sorted, "KOSONG")
}
# Terapkan ke data
data = data %>%
mutate(
var_se = factor(var_se, levels = levels_sorted),
var_pes = factor(var_pes, levels = levels_sorted)
)
# Tabulasi frekuensi SE × PES
data %>%
# Hitung frekuensi pasangan SE–PES per group
count(across(all_of(c(group, "var_se", "var_pes"))), name = "cnt") %>%
# Lengkapi semua kombinasi (0,0), (0,1), (1,0), (1,1)
complete(
nesting(!!sym(group)),
var_se,
var_pes,
fill = list(cnt = 0)
) %>%
# Standarisasi nama variabel
rename(
!!paste0(varnames, "_se") := var_se,
!!paste0(varnames, "_pes") := var_pes
)
}berisi fungsi untuk menghitung indikator content error berdasarkan
hasil matching SE dan PES, meliputi:
- Tabulasi silang (cross-tab) SE vs PES
- Indikator dasar (NDR, IOI) per kelas
- Indikator agregat (AIOI, GDR, ROA)
- Indikator numeric (MSE, RMSE, MAE, SMAPE, R2)
categoric_error = function(dataset, se_var, pes_var, group = NULL, freq_var = 'cnt') {
# Standarisasi nama kolom frekuensi
dataset = dataset %>% rename(Freq = {{freq_var}})
# Default grouping nasional
if (is.null(group)) {
dataset = dataset %>% mutate(group = "Nasional")
group = "group"
}
# =======================================================
# 1. Cross-tab SE × PES
# =======================================================
ctab = dataset %>%
group_by(across(all_of(c(group, se_var, pes_var)))) %>%
summarise(Freq = sum(Freq), .groups = "drop") %>%
pivot_wider(
names_from = all_of(pes_var),
values_from = Freq,
values_fill = 0
)
# =======================================================
# 2. Komponen dasar
# =======================================================
# Total SE per kelas
vrt = dataset %>%
group_by(across(all_of(c(group, se_var)))) %>%
summarise(vrt = sum(Freq), .groups = "drop")
# Total PES per kelas
hrz = dataset %>%
group_by(across(all_of(c(group, pes_var)))) %>%
summarise(hrz = sum(Freq), .groups = "drop") %>%
rename(!!se_var := !!sym(pes_var))
# Diagonal (SE == PES)
dig = dataset %>%
filter(.data[[se_var]] == .data[[pes_var]]) %>%
group_by(across(all_of(c(group, se_var)))) %>%
summarise(dig = sum(Freq), .groups = "drop")
# =======================================================
# 3. Indikator dasar per kelas
# =======================================================
basic = vrt %>%
left_join(hrz, by = c(group, se_var)) %>%
left_join(dig, by = c(group, se_var)) %>%
replace_na(list(hrz = 0, dig = 0)) %>%
group_by(across(all_of(group))) %>%
mutate(
n = sum(vrt),
vh = vrt * hrz,
NDR = 100 * (vrt - hrz) / n,
IOI = 100 * (vrt + hrz - 2 * dig) /
((1 / n) * (vrt * (n - hrz) + hrz * (n - vrt)))
) %>%
ungroup()
# =======================================================
# 4. Indikator agregat
# =======================================================
agg = basic %>%
group_by(across(all_of(group))) %>%
summarise(
n = first(n),
dig = sum(dig),
vh = sum(vh),
AIOI = (n - dig) / (n - (1 / n) * vh) * 100,
GDR = (1 - (dig / n)) * 100,
ROA = dig / n * 100,
.groups = "drop"
)
# Output
list(
ctab = ctab,
basic = basic,
agg = agg
)
}
numeric_error = function(dataset, se_var, pes_var, group = NULL) {
if (is.null(group)) {
dataset = dataset %>% mutate(.group_tmp = "Nasional")
group = ".group_tmp"
}
# -------------------------------------------------
# 1. Statistik dasar (tanpa filter pairwise)
# -------------------------------------------------
base_stat = dataset %>%
group_by(across(all_of(group))) %>%
summarise(
n_matched = n(),
.groups = "drop"
)
# -------------------------------------------------
# 2. Statistik PAIRWISE (SE & PES sama-sama tidak NA)
# -------------------------------------------------
pairwise_stat = dataset %>%
filter(
!is.na(.data[[se_var]]),
!is.na(.data[[pes_var]])
) %>%
group_by(across(all_of(group))) %>%
summarise(
n_valid = n(),
Mean_SE = mean(.data[[se_var]]),
Mean_PES = mean(.data[[pes_var]]),
MSE = mse(.data[[se_var]], .data[[pes_var]]),
RMSE = rmse(.data[[se_var]], .data[[pes_var]]),
MAE = mae(.data[[se_var]], .data[[pes_var]]),
SMAPE = smape(.data[[se_var]], .data[[pes_var]]),
R2 = if_else(n_valid < 2, NA_real_,
R2_Score(.data[[se_var]], .data[[pes_var]])),
.groups = "drop"
)
# -------------------------------------------------
# 3. Join & finalisasi
# -------------------------------------------------
base_stat %>%
left_join(pairwise_stat, by = group) %>%
mutate(
n_valid = replace_na(n_valid, 0L),
prop_valid = n_valid / n_matched
) %>%
relocate(prop_valid, .after = n_valid)
}berisi fungsi untuk mengekspor hasil analisis content error ST–PES ke dalam format Excel
library(dplyr)
library(openxlsx)
write_sheet = function(
wb, sheet, title, data, start = 3,
style_title, style_body
) {
addWorksheet(wb, sheet)
writeData(wb, sheet, title, startRow = 1)
writeData(wb, sheet, data, startRow = start)
addStyle(
wb, sheet, style_title,
rows = 1, cols = 1, gridExpand = TRUE
)
if (nrow(data) > 0) {
addStyle(
wb, sheet, style_body,
rows = start:(start + nrow(data)),
cols = 1:ncol(data),
gridExpand = TRUE
)
}
}
write_categoric = function(wb, res, level, var, s1, s2) {
write_sheet(
wb,
paste(level, "Tabulasi"),
paste0("Tabel Tabulasi ", var, " tingkat ", level),
res$ctab,
style_title = s1,
style_body = s2
)
write_sheet(
wb,
paste(level, "Kelas"),
paste0("Tabel Indikator NDR dan IOI untuk ", var, " tingkat ", level),
res$basic,
style_title = s1,
style_body = s2
)
write_sheet(
wb,
paste(level, "Agregat"),
paste0("Tabel Indikator Agregat IOI, GDR, dan ROA untuk ", var, " tingkat ", level),
res$agg,
style_title = s1,
style_body = s2
)
}
write_numeric = function(wb, res, level, var, s1, s2) {
write_sheet(
wb,
level,
paste0(
"Tabel Indikator Numeric Error ",
var, " tingkat ", level
),
res,
style_title = s1,
style_body = s2
)
}
prep_basis_agg = function(basic, agg, kategori,
master_prov = NULL,
group_var = NULL,
national = FALSE) {
df = basic %>%
select(-c(vrt, hrz, dig, vh, n)) %>%
left_join(agg, by = if (national) "group" else group_var) %>%
relocate(n, .after = var_se) %>%
left_join(kategori, by = c("var_se" = "kode"))
if (!national) {
df = df %>%
left_join(master_prov, by = "kdprov") %>%
mutate(Provinsi = paste0("[", .data[[group_var]], "] ", nmprov)) %>%
select(!!group_var, Provinsi, label, n, NDR, IOI, AIOI, GDR, ROA)
} else {
df = df %>%
mutate(Provinsi = "INDONESIA") %>%
select(Provinsi, label, n, NDR, IOI, AIOI, GDR, ROA)
}
cols = c("NDR","IOI","AIOI","GDR","ROA")
df[cols] = lapply(df[cols], round, 2)
df
}
na_to_na_char = function(x) {
ifelse(is.na(x), "N/A", x)
}
write_categoric_lampiran_block = function(
wb, sheet, data, start_row,
bold = FALSE,
s_left, s_right,
s_left_bold, s_right_bold
) {
n = nrow(data)
end_row = start_row + n - 1
# =========================
# 0. Tangani NA → "N/A"
# =========================
IOI = ifelse(is.na(data$IOI), "N/A", data$IOI)
AIOI = ifelse(is.na(data$AIOI), "N/A", data$AIOI)
# =========================
# 1. Tulis kolom per-baris
# =========================
writeData(wb, sheet, data$label, startRow = start_row, startCol = 2, colNames = FALSE)
writeData(wb, sheet, data$NDR, startRow = start_row, startCol = 4, colNames = FALSE)
writeData(wb, sheet, IOI, startRow = start_row, startCol = 5, colNames = FALSE)
# =========================
# 2. Tulis kolom block
# =========================
writeData(wb, sheet, data$Provinsi[1], startRow = start_row, startCol = 1)
writeData(wb, sheet, data$n[1], startRow = start_row, startCol = 3)
writeData(wb, sheet, AIOI[1], startRow = start_row, startCol = 6)
writeData(wb, sheet, data$GDR[1], startRow = start_row, startCol = 7)
writeData(wb, sheet, data$ROA[1], startRow = start_row, startCol = 8)
# =========================
# 3. Merge per kolom
# =========================
for (cl in c(1, 3, 6, 7, 8)) {
mergeCells(wb, sheet, cols = cl, rows = start_row:end_row)
}
# =========================
# 4. Style
# =========================
addStyle(wb, sheet,
if (bold) s_left_bold else s_left,
rows = start_row:end_row, cols = 1:2,
gridExpand = TRUE, stack = TRUE)
addStyle(wb, sheet,
if (bold) s_right_bold else s_right,
rows = start_row:end_row, cols = 3:8,
gridExpand = TRUE, stack = TRUE)
end_row + 1
}
write_categoric_lampiran = function(
wb,
nasional, provinsi,
kategori, master_prov,
var, title
) {
# =========================
# Data preparation
# =========================
df_prov = prep_basis_agg(
provinsi$basic, provinsi$agg,
kategori, master_prov,
group_var = "kdprov"
)
df_nas = prep_basis_agg(
nasional$basic, nasional$agg,
kategori, national = TRUE
)
list_prov = unique(df_prov$kdprov)
# =========================
# Sheet & styles
# =========================
sheet = "Lampiran"
addWorksheet(wb, sheet)
s_title = createStyle(textDecoration = "BOLD", wrapText = TRUE)
s_header = createStyle(
border = "TopBottomLeftRight",
textDecoration = "BOLD",
halign = "center",
fgFill = "#D9D9D9"
)
s_left = createStyle(border = "TopBottomLeftRight", halign = "left", valign = "top", wrapText = TRUE)
s_right = createStyle(border = "TopBottomLeftRight", halign = "right", valign = "top")
s_left_bold = createStyle(border = "TopBottomLeftRight", halign = "left", valign = "top", wrapText = TRUE, textDecoration = "BOLD")
s_right_bold = createStyle(border = "TopBottomLeftRight", halign = "right", valign = "top", textDecoration = "BOLD")
# =========================
# Title & header
# =========================
mergeCells(wb, sheet, cols = 1:8, rows = 1)
writeData(wb, sheet, title, startRow = 1)
addStyle(wb, sheet, s_title, rows = 1, cols = 1, gridExpand = TRUE)
headers = c("PROVINSI","KATEGORI","n","NDR","IOI","AIOI","GDR","ROA")
# Baris 3: nama kolom
for (i in seq_along(headers)) {
writeData(
wb, sheet,
headers[i],
startRow = 3,
startCol = i,
colNames = FALSE
)
}
# Baris 4: nomor kolom
for (i in seq_along(headers)) {
writeData(
wb, sheet,
paste0("(", i, ")"),
startRow = 4,
startCol = i,
colNames = FALSE
)
}
addStyle(wb, sheet, s_header, rows = 3:4, cols = 1:8, gridExpand = TRUE)
# =========================
# Provinsi blocks
# =========================
row = 5
for (p in list_prov) {
temp = df_prov %>%
filter(kdprov == p) %>%
select(-kdprov)
row = write_categoric_lampiran_block(
wb, sheet, temp, row,
bold = FALSE,
s_left, s_right, s_left_bold, s_right_bold
)
}
# =========================
# Nasional block
# =========================
write_categoric_lampiran_block(
wb, sheet, df_nas, row,
bold = TRUE,
s_left, s_right, s_left_bold, s_right_bold
)
setColWidths(wb, sheet, 1:8, c(14,22,7,7,7,7,7,7))
}
export_categoric_error = function(
nasional, provinsi,
kategori, master_prov,
var, folder = ""
) {
wb = createWorkbook()
s_title = createStyle(textDecoration = "BOLD")
s_body = createStyle(border = "TopBottomLeftRight")
# =========================
# Sheet utama
# =========================
write_categoric(wb, nasional, "Nasional", var, s_title, s_body)
write_categoric(wb, provinsi, "Provinsi", var, s_title, s_body)
# =========================
# Lampiran
# =========================
write_categoric_lampiran(
wb,
nasional, provinsi,
kategori, master_prov,
var,
title = paste0(
"Lampiran Indikator Content Error ", var,
" menurut Provinsi dan Kategori"
)
)
# =========================
# Save
# =========================
saveWorkbook(
wb,
paste0(folder,"/", Sys.Date(), " Content Error ", var, ".xlsx"),
overwrite = TRUE
)
}
export_numeric_error = function(
nasional, provinsi, var, folder = ""
) {
wb = createWorkbook()
s_title = createStyle(textDecoration = "BOLD")
s_body = createStyle(border = "TopBottomLeftRight")
write_numeric(wb, nasional, "Nasional", var, s_title, s_body)
write_numeric(wb, provinsi, "Provinsi", var, s_title, s_body)
saveWorkbook(
wb,
paste0(folder,"/", Sys.Date(), " Numeric Error ", var, ".xlsx"),
overwrite = TRUE
)
}Sesuaikan dengan direktori masing-masing
PATH_PAIRS = "Data/2026-01-17 Data Pairs GB PES SE.xlsx"
PATH_SE = "Data/GB CAPI L_20251111.xlsx"
PATH_PES = "Data/GBPES L.xlsx"
GROUP_VAR = "kdprov"
OUTPUT_DIR = "OUTPUT"Pastikan terdapat kolom id_pes dan id_se,
kolom lain opsional.
pairs = read_excel(PATH_PAIRS, col_types = "text") %>%
transmute(
kdprov = substr(idsubsls, 1, 2),
idsubsls,
id_pes,
id_se = id_gb,
nama_usaha_pes,
nama_usaha_gb
)
head(pairs)## # A tibble: 6 × 6
## kdprov idsubsls id_pes id_se nama_usaha_pes nama_usaha_gb
## <chr> <chr> <chr> <chr> <chr> <chr>
## 1 35 3578190001000300 48fa8621-b309-4b5c… a8de… MONUMEN KAPAL… MONUMEN KAPA…
## 2 35 3578190001000300 09b3c467-7938-4869… 0ab1… HOTEL PLAZA P… HOTEL PLAZA …
## 3 35 3578190001000300 a9709673-1610-4979… e9cc… inti lancar g… Inti lancar …
## 4 35 3578190001000300 a9709673-1610-4979… e9cc… Oriontama Jay… Oriontama ja…
## 5 35 3578190001000300 a9709673-1610-4979… e9cc… Sumber Arta L… Sumber Arta …
## 6 35 3578190001000300 e7732157-c8e8-4ed8… fa6d… HOLLYWOOD HOLLYWOODBuat kolom id_pes dan id_se
se_raw = read_excel(PATH_SE) %>%
mutate(id_se = paste0(`Id Assignment`, "-", index1))
pes_raw = read_excel(PATH_PES) %>%
mutate(id_pes = paste0(`Id Assignment`, "-", index1))Sesuaikan bagian ini dengan variabel yang akan dianalisis. Pada
contoh berikut, variabel yang digunakan adalah kategori
KBLI 2 digit, yang diperoleh dengan mengambil dua karakter
pertama dari kode KBLI.
Output dari bagian ini berupa dua buah dataframe, yaitu
se dan pes, yang masing-masing hanya memuat
variabel identitas (id_se / id_pes) dan variabel hasil
transformasi (var_se / var_pes), sehingga siap digunakan
pada tahapan analisis selanjutnya.
se = se_raw %>%
transmute(
id_se,
var_se = substr(KBLI, 1, 2)
)
pes = pes_raw %>%
transmute(
id_pes,
var_pes = substr(KBLI, 1, 2)
)Pada tahap ini dilakukan pembentukan content table yang merepresentasikan tabulasi silang antara variabel pada data SE dan PES.
Fungsi build_content_table() menerima parameter padanan
SE-PES (pairs), data SE dan PES
yang telah disederhanakan strukturnya pada tahap sebelumnya. Parameter
group digunakan untuk menentukan level agregasi analisis
(misalnya provinsi), sedangkan parameter type = "categoric"
menunjukkan bahwa variabel yang dianalisis bersifat kategorik.
content = build_content_table(
pairs,
se,
pes,
group = GROUP_VAR,
type = "categoric"
)
head(content)## # A tibble: 6 × 4
## kdprov var_se var_pes cnt
## <chr> <fct> <fct> <int>
## 1 31 10 10 1
## 2 31 10 14 0
## 3 31 10 18 0
## 4 31 10 25 0
## 5 31 10 28 0
## 6 31 10 32 0Pada tahap ini dilakukan perhitungan indikator categorical error
berdasarkan content table yang telah dibangun sebelumnya. Perhitungan
dilakukan menggunakan fungsi categoric_error(), yang
menghitung tingkat kesesuaian dan ketidaksesuaian antara kategori
variabel pada data SE dan PES.
Perhitungan pada tingkat nasional dilakukan dengan menggabungkan
seluruh unit observasi tanpa pengelompokan wilayah. Hal ini dicapai
dengan mengatur parameter group = NULL, sehingga fungsi
akan menghitung indikator secara agregat nasional. Pada proses ini,
dibentuk kolom cnt yang berisi frekuensi pasangan kategori
SE–PES melalui parameter freq_var. Output yang dihasilkan
berupa tabel ringkasan indikator categorical error nasional, yaitu
crosstab, indikator per kategori (basic), dan indikator aggregat
nasional (agg)
# Nasional
res_nas = categoric_error(
dataset = content,
se_var = "var_se",
pes_var = "var_pes",
group = NULL,
freq_var = "cnt"
)Selain tingkat nasional, perhitungan juga dilakukan pada level
wilayah untuk melihat variasi content error antar provinsi. Pada
perhitungan ini, parameter group diisi dengan variabel
pengelompokan wilayah (misalnya kode provinsi), sehingga indikator
dihitung secara terpisah untuk setiap kelompok. Output dari bagian ini
serupa dengan output di tingkat nasional, hanya saja dirinci menurut
GROUP_VAR
# group (provinsi)
res_group = categoric_error(
content,
se_var = "var_se",
pes_var = "var_pes",
group = GROUP_VAR
)Untuk keperluan penyajian pada buku hasil analisis, kode kategori yang berasal dari kuesioner perlu dikonversi menjadi label kategori yang mudah dibaca. Oleh karena itu, pastikan tersedia master kategori yang memuat minimal dua variabel, yaitu kode dan label.
Pada bagian ini, master kategori dan master wilayah dibaca dari file referensi berikut.
PATH_KATEGORI = "Data/MASTER KBLI2020.xlsx"
PATH_MPROV = "Data/mprov_25_1.xlsx"
kategori = read_excel(PATH_KATEGORI) %>%
filter(nchar(Kode) == 2) %>%
transmute(
kode = Kode,
label = Judul
)
master_prov = read_excel(PATH_MPROV, col_types = "text")Pada tahap ini, seluruh hasil perhitungan categorical error diekspor
ke dalam format output yang siap digunakan untuk pelaporan dan analisis
lanjutan. Proses ekspor dilakukan menggunakan fungsi
export_categoric_error(), yang menggabungkan hasil
perhitungan pada tingkat nasional dan provinsi dengan metadata pendukung
(master kategori dan master wilayah).
VAR_LABEL = "KBLI 2 digit"
export_categoric_error(
nasional = res_nas,
provinsi = res_group,
kategori = kategori,
master_prov = master_prov,
var = VAR_LABEL,
folder = OUTPUT_DIR
)Sesuaikan bagian ini dengan variabel yang akan dianalisis. Pada
contoh berikut, variabel yang digunakan adalah kategori
Jumlah Tenaga Kerja.
Output dari bagian ini berupa dua buah dataframe, yaitu
se dan pes, yang masing-masing hanya memuat
variabel identitas (id_se / id_pes) dan variabel hasil
transformasi (var_se / var_pes), sehingga siap digunakan
pada tahapan analisis selanjutnya.
se = se_raw %>%
transmute(
id_se,
var_se = `Jumlah Tenaga Kerja`
)
pes = pes_raw %>%
transmute(
id_pes,
var_pes = `Jumlah Tenaga Kerja`
)Pada tahap ini dilakukan pembentukan content table yang merepresentasikan tabulasi silang antara variabel pada data SE dan PES.
Fungsi build_content_table() menerima parameter padanan
SE-PES (pairs), data SE dan PES
yang telah disederhanakan strukturnya pada tahap sebelumnya. Parameter
group digunakan untuk menentukan level agregasi analisis
(misalnya provinsi), sedangkan parameter type = "numeric"
menunjukkan bahwa variabel yang dianalisis bersifat kategorik.
content = build_content_table(
pairs,
se,
pes,
group = GROUP_VAR,
type = "numeric"
)Pada tahap ini dilakukan perhitungan indikator numerical error
berdasarkan content table yang telah dibangun sebelumnya. Perhitungan
dilakukan menggunakan fungsi numeric_error(), yang
menghitung tingkat kesesuaian dan ketidaksesuaian antara kategori
variabel pada data SE dan PES.
Perhitungan pada tingkat nasional dilakukan dengan menggabungkan
seluruh unit observasi tanpa pengelompokan wilayah. Hal ini dicapai
dengan mengatur parameter group = NULL, sehingga fungsi
akan menghitung indikator secara agregat nasional.
Output yang dihasilkan berupa tabel ringkasan indikator numerical error nasional.
# Nasional
res_nas = numeric_error(
dataset = content,
se_var = "var_se",
pes_var = "var_pes"
)Selain tingkat nasional, perhitungan juga dilakukan pada level
wilayah untuk melihat variasi content error antar provinsi. Pada
perhitungan ini, parameter group diisi dengan variabel
pengelompokan wilayah (misalnya kode provinsi), sehingga indikator
dihitung secara terpisah untuk setiap kelompok. Output dari bagian ini
serupa dengan output di tingkat nasional, hanya saja dirinci menurut
GROUP_VAR
# group (provinsi)
res_group = numeric_error(
content,
se_var = "var_se",
pes_var = "var_pes",
group = GROUP_VAR
)Pada tahap ini, hasil perhitungan numerical error diekspor ke dalam
format output yang siap digunakan untuk pelaporan dan analisis lanjutan.
Proses ekspor dilakukan menggunakan fungsi
export_numeric_error(), yang menggabungkan hasil
perhitungan pada tingkat nasional dan provinsi.
VAR_LABEL = "Jumlah Tenaga Kerja"
export_numeric_error(
nasional = res_nas,
provinsi = res_group,
var = VAR_LABEL,
folder = OUTPUT_DIR
)