1. Pendahuluan

Kekerasan terhadap perempuan merupakan isu kompleks yang memerlukan pendekatan berbasis data untuk perumusan kebijakan perlindungan yang efektif. Laporan ini menyajikan analisis statistik deskriptif dan visualisasi terhadap data sebaran kasus kekerasan di beberapa wilayah Provinsi Kalimantan Timur.

Tujuan dari analisis ini adalah untuk mengidentifikasi pola distribusi jenis kekerasan, membandingkan beban kasus antar wilayah, serta memahami karakteristik numerik dari data yang tersedia. Melalui pemahaman statistik ini, diharapkan pemangku kepentingan dapat menentukan prioritas intervensi di wilayah dengan tingkat kasus yang menonjol.

2. Data

# Membuat data (tanpa file eksternal)
data <- data.frame(
  Wilayah = c("Balikpapan", "Samarinda", "Bontang", "Kutai", "Berau"),
  Jenis_Kekerasan = c("Fisik", "Psikis", "Seksual", "Fisik", "Psikis"),
  Jumlah_Kasus = c(120, 95, 60, 150, 80),
  Usia_Rata2 = c(30, 28, 26, 32, 29)
)

data
##      Wilayah Jenis_Kekerasan Jumlah_Kasus Usia_Rata2
## 1 Balikpapan           Fisik          120         30
## 2  Samarinda          Psikis           95         28
## 3    Bontang         Seksual           60         26
## 4      Kutai           Fisik          150         32
## 5      Berau          Psikis           80         29

3. Identifikasi Variabel

4. Visualisasi Data

4.1 Pie Chart (Jenis Kekerasan)

pie(table(data$Jenis_Kekerasan),
    main="Distribusi Jenis Kekerasan",
    col=c("purple", "deeppink", "skyblue"))

Interpretasi: Menunjukkan proporsi jenis kekerasan yang dilaporkan dalam sampel data. Dapat diamati bahwa kekerasan Fisik dan Psikis muncul dengan frekuensi yang sama (masing-masing 40%), sementara kekerasan Seksual mencakup porsi yang lebih kecil (20%) dalam dataset ini. Hal ini mengindikasikan bahwa bentuk kekerasan non-seksual mendominasi pelaporan di wilayah-wilayah tersebut.

4.2 Bar Chart (Jumlah Kasus per Wilayah)

barplot(data$Jumlah_Kasus,
        names.arg = data$Wilayah,
        col="lightblue",
        main="Jumlah Kasus per Wilayah",
        las=2)

Interpretasi: Membandingkan volume kasus secara langsung antar wilayah. Kutai Kartanegara mencatatkan angka tertinggi dengan 150 kasus, diikuti oleh Balikpapan (120 kasus). Di sisi lain, Bontang memiliki jumlah laporan terendah (60 kasus). Perbedaan signifikan ini menunjukkan adanya disparitas beban kasus yang memerlukan perhatian khusus di wilayah dengan angka tertinggi.

4.3 Histogram (Jumlah Kasus)

hist(data$Jumlah_Kasus,
     col="pink",
     main="Distribusi Jumlah Kasus",
     xlab="Jumlah Kasus")

Interpretasi: Menggambarkan frekuensi kemunculan nilai jumlah kasus. Data tersebar dalam rentang 60 hingga 150. Sebaran ini memberikan gambaran awal mengenai variabilitas data; jika data menumpuk di satu sisi, hal tersebut menandakan adanya kesenjangan ekstrem antar wilayah dalam hal pelaporan kasus kekerasan.

4.4 Boxplot (Jumlah Kasus)

boxplot(data$Jumlah_Kasus,
        col="lightblue",
        main="Boxplot Jumlah Kasus")

Interpretasi: Mengevaluasi struktur data secara statistik. Garis tengah di dalam kotak mewakili Median (nilai tengah), sedangkan batas kotak menunjukkan Kuartil 1 dan 3. Melalui grafik ini, kita dapat melihat rentang interkuartil dan memastikan tidak adanya outlier (data pencilan) yang terlalu ekstrem, sehingga rata-rata yang dihasilkan nantinya cukup representatif. —

4.5 Density Plot (Jumlah Kasus)

plot(density(data$Jumlah_Kasus),
     main="Density Plot Jumlah Kasus",
     col="purple",
     lwd=2)

Interpretasi: Density plot menunjukkan distribusi data secara halus (smooth). Jika kurva simetris, data cenderung berdistribusi normal. Jika miring, berarti ada skewness. —

5. Statistik Deskriptif

mean(data$Jumlah_Kasus)
## [1] 101
median(data$Jumlah_Kasus)
## [1] 95
var(data$Jumlah_Kasus)
## [1] 1230
sd(data$Jumlah_Kasus)
## [1] 35.07136
range(data$Jumlah_Kasus)
## [1]  60 150
quantile(data$Jumlah_Kasus)
##   0%  25%  50%  75% 100% 
##   60   80   95  120  150

Interpretasi:

6. Statistik Inferensial

Contoh uji sederhana: uji t

t.test(data$Jumlah_Kasus)
## 
##  One Sample t-test
## 
## data:  data$Jumlah_Kasus
## t = 6.4395, df = 4, p-value = 0.002992
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
##   57.45316 144.54684
## sample estimates:
## mean of x 
##       101

Interpretasi: Uji-t satu sampel ini digunakan untuk menentukan apakah rata-rata jumlah kasus secara statistik signifikan berbeda dari nol atau nilai hipotesis tertentu. Interval kepercayaan (95% confidence interval) yang dihasilkan memberikan estimasi rentang di mana rata-rata populasi yang sebenarnya kemungkinan besar berada. —

7. Kesimpulan

Berdasarkan analisis data kekerasan terhadap perempuan di beberapa wilayah Kalimantan Timur, dapat disimpulkan beberapa poin utama: 1. Dominasi Jenis Kekerasan: Kekerasan fisik dan psikis merupakan jenis laporan yang paling sering muncul, menunjukkan perlunya penguatan layanan perlindungan mental dan fisik di tingkat komunitas. 2. Prioritas Wilayah: Kutai Kartanegara dan Balikpapan menjadi wilayah dengan urgensi tertinggi berdasarkan volume kasus yang dilaporkan. Strategi preventif dan alokasi sumber daya sebaiknya diprioritaskan pada wilayah-wilayah ini. 3. Karakteristik Data: Secara statistik, terdapat variasi yang cukup lebar antara jumlah kasus tertinggi dan terendah (rentang 60-150), yang mengindikasikan adanya perbedaan efektivitas sistem pelaporan atau tingkat kerawanan sosial di tiap daerah. 4. Implikasi Kebijakan: Hasil visualisasi dan statistik deskriptif ini dapat menjadi dasar awal untuk melakukan audit terhadap layanan pengaduan dan pendampingan korban guna memastikan setiap wilayah memiliki kapasitas yang memadai sesuai dengan beban kasusnya.