Visualisasi Data Rata-rata Lama Sekolah dan Angka Partisipasi Sekolah Antarprovinsi di Indonesia Tahun 2025
Aldy Alif Pratama_3337260088_Kelompok 2
21 September 2026
1 Latar Belakang dan Alasan Pemilihan Tema
- Mengapa topik Rata-rata Lama Sekolah dan Angka Partisipasi Sekolah Antarprovinsi penting atau relevan?
Topik ini penting karena pendidikan merupakan salah satu faktor yang berkaitan dengan kualitas sumber daya manusia dan pembangunan suatu daerah. Rata-rata Lama Sekolah (RLS) menunjukkan gambaran capaian pendidikan penduduk, sedangkan Angka Partisipasi Sekolah (APS) menunjukkan tingkat keterlibatan penduduk usia sekolah dalam pendidikan. Dengan membandingkan kedua indikator antarprovinsi, kita dapat melihat adanya perbedaan kondisi pendidikan di berbagai wilayah Indonesia. Informasi ini juga relevan bagi masyarakat dan pemerintah dalam memahami kesenjangan pendidikan serta kebutuhan pembangunan di bidang pendidikan.
- Mengapa data ini layak dipakai?
Data ini layak digunakan karena indikator Rata-rata Lama Sekolah dan Angka Partisipasi Sekolah tersedia dari Badan Pusat Statistik (BPS) sebagai sumber data resmi pemerintah Indonesia. Data tersebut juga memiliki variabel kategorik, yaitu nama atau provinsi, serta variabel numerik, yaitu nilai RLS dan APS dalam bentuk angka/tahun atau persentase. Oleh karena itu, data ini sesuai untuk dibuat menjadi berbagai visualisasi, seperti diagram batang, grafik perbandingan, maupun scatter plot untuk melihat hubungan antarindikator.
- Apa yang ingin kamu ketahui dari data ini?
Dari data ini, saya ingin mengetahui bagaimana perbedaan Rata-rata Lama Sekolah dan Angka Partisipasi Sekolah antarprovinsi di Indonesia. Selain itu, saya ingin melihat apakah provinsi dengan Rata-rata Lama Sekolah yang lebih tinggi cenderung memiliki Angka Partisipasi Sekolah yang lebih tinggi, serta mengidentifikasi pola atau kesenjangan pendidikan yang terlihat dari visualisasi data. # Deskripsi Data
Sumber data: [Badan Pusat Statistik, Rata-rata Lama Sekolah dan Angka Partisipasi Sekolah Antarprovinsi, 2025, https://www.bps.go.id/id/statistics-table/2/MjIxMSMy/angka-partisipasi-sekolah--aps--menurut-provinsi-dan-kelompok-umur.html, 2026-09-21]
1.1 Membaca dan membersihkan data
# File CSV dari Excel Indonesia: pemisah titik koma (;), desimal koma (,)
# fileEncoding "UTF-8-BOM" membuang karakter tak terlihat di awal file
df <- read.csv2("RLS_APS_Antarprovinsi.csv", fileEncoding = "UTF-8-BOM")
# Ganti nama kolom agar pendek dan tanpa spasi/tanda kurung
names(df) <- c("no", "provinsi", "wilayah", "tahun", "rls_tahun",
"aps_7_12", "aps_13_15", "aps_16_18", "aps_19_23",
"rata_aps", "kategori_rls_asli")
# Buang baris kosong dan baris catatan sumber di bagian bawah file
# (kedua baris itu tidak punya nomor urut)
df <- df[!is.na(df$no), ]
# Ubah kolom kategorik menjadi factor
df$wilayah <- factor(df$wilayah)
df$kategori_rls_asli <- factor(df$kategori_rls_asli)
head(df) # 6 baris pertama## no provinsi wilayah tahun rls_tahun aps_7_12 aps_13_15 aps_16_18
## 1 1 Aceh Sumatera 2025 9.95 99.38 97.65 81.94
## 2 2 Sumatera Utara Sumatera 2025 10.08 99.54 97.67 77.51
## 3 3 Sumatera Barat Sumatera 2025 9.77 99.63 97.00 85.04
## 4 4 Riau Sumatera 2025 9.55 99.74 95.47 77.42
## 5 5 Jambi Sumatera 2025 8.95 99.45 95.59 74.39
## 6 6 Sumatera Selatan Sumatera 2025 8.91 99.50 95.68 73.78
## aps_19_23 rata_aps kategori_rls_asli
## 1 34.94 78.48 Tinggi
## 2 30.48 76.30 Tinggi
## 3 38.84 80.13 Tinggi
## 4 33.03 76.42 Tinggi
## 5 25.23 73.67 Tinggi
## 6 21.24 72.55 Tinggistr(df) # tipe tiap kolom## 'data.frame': 38 obs. of 11 variables:
## $ no : int 1 2 3 4 5 6 7 8 9 10 ...
## $ provinsi : chr "Aceh" "Sumatera Utara" "Sumatera Barat" "Riau" ...
## $ wilayah : Factor w/ 6 levels "Bali & Nusa Tenggara",..: 6 6 6 6 6 6 6 6 6 6 ...
## $ tahun : int 2025 2025 2025 2025 2025 2025 2025 2025 2025 2025 ...
## $ rls_tahun : num 9.95 10.08 9.77 9.55 8.95 ...
## $ aps_7_12 : num 99.4 99.5 99.6 99.7 99.5 ...
## $ aps_13_15 : num 97.7 97.7 97 95.5 95.6 ...
## $ aps_16_18 : num 81.9 77.5 85 77.4 74.4 ...
## $ aps_19_23 : num 34.9 30.5 38.8 33 25.2 ...
## $ rata_aps : num 78.5 76.3 80.1 76.4 73.7 ...
## $ kategori_rls_asli: Factor w/ 1 level "Tinggi": 1 1 1 1 1 1 1 1 1 1 ...Data terdiri dari 38 provinsi dan 11 kolom.
1.2 Kategori RLS bawaan data
table(df$kategori_rls_asli)##
## Tinggi
## 38# Batas tertil: nilai RLS pada 0%, 33%, 67%, dan 100%
batas <- quantile(df$rls_tahun, probs = c(0, 1/3, 2/3, 1))
batas## 0% 33.33333% 66.66667% 100%
## 4.300000 8.663333 9.556667 11.590000df$kategori_rls <- cut(df$rls_tahun, breaks = batas,
labels = c("Rendah", "Sedang", "Tinggi"),
include.lowest = TRUE)
table(df$kategori_rls)##
## Rendah Sedang Tinggi
## 13 12 131.3 Variabel yang digunakan
| Variabel | Jenis | Keterangan |
|---|---|---|
| provinsi | Kategorik (nominal) | Nama provinsi |
| wilayah | Kategorik (nominal) | Pengelompokan wilayah/pulau |
| kategori_rls | Kategorik (ordinal) | Rendah / Sedang / Tinggi (dibuat dari tertil RLS) |
| rls_tahun | Numerik | Rata-rata lama sekolah (tahun) |
| aps_7_12 | Numerik | Angka partisipasi sekolah usia 7-12 tahun (%) |
| aps_13_15 | Numerik | Angka partisipasi sekolah usia 13-15 tahun (%) |
| aps_16_18 | Numerik | Angka partisipasi sekolah usia 16-18 tahun (%) |
| aps_19_23 | Numerik | Angka partisipasi sekolah usia 19-23 tahun (%) |
| rata_aps | Numerik | Rata-rata APS keempat kelompok umur (%) |
1.4 Ringkasan statistik
summary(df[, c("rls_tahun", "aps_7_12", "aps_13_15",
"aps_16_18", "aps_19_23", "rata_aps")])## rls_tahun aps_7_12 aps_13_15 aps_16_18
## Min. : 4.300 Min. :80.13 Min. :67.86 Min. :44.61
## 1st Qu.: 8.445 1st Qu.:98.91 1st Qu.:94.80 1st Qu.:73.98
## Median : 9.050 Median :99.31 Median :96.30 Median :77.35
## Mean : 9.029 Mean :98.06 Mean :94.66 Mean :76.77
## 3rd Qu.: 9.765 3rd Qu.:99.53 3rd Qu.:97.14 3rd Qu.:81.52
## Max. :11.590 Max. :99.74 Max. :99.60 Max. :93.03
## aps_19_23 rata_aps
## Min. :12.48 Min. :52.02
## 1st Qu.:25.43 1st Qu.:73.24
## Median :29.07 Median :75.69
## Mean :29.47 Mean :74.74
## 3rd Qu.:34.09 3rd Qu.:77.61
## Max. :54.72 Max. :86.74# Rata-rata RLS dan rata-rata APS per wilayah
aggregate(cbind(rls_tahun, rata_aps) ~ wilayah, data = df, FUN = mean)## wilayah rls_tahun rata_aps
## 1 Bali & Nusa Tenggara 8.726667 77.52000
## 2 Jawa 9.505000 77.93833
## 3 Kalimantan 9.076000 75.08000
## 4 Maluku & Papua 8.231250 69.94125
## 5 Sulawesi 9.043333 74.38667
## 6 Sumatera 9.442000 75.871002 Visualisasi Data
2.1 Grafik 1: Bar Chart Jumlah Provinsi per Wilayah (Kategorik)
ggplot(df, aes(x = wilayah)) +
geom_bar(fill = "steelblue") +
coord_flip() + # dibalik supaya nama wilayah tidak bertumpuk
labs(title = "Jumlah Provinsi per Wilayah",
x = "Wilayah", y = "Jumlah Provinsi") +
theme_minimal()
Interpretasi: Grafik ini menampilkan jumlah provinsi pada setiap wilayah dalam data Rata-rata Lama Sekolah dan APS tahun 2025. Wilayah Sumatera memiliki provinsi terbanyak, yaitu 10 provinsi (26,3% dari 38 provinsi), disusul Maluku & Papua dengan 8 provinsi (21,1%). Jawa dan Sulawesi masing-masing 6 provinsi (15,8%), Kalimantan 5 provinsi (13,2%), dan Bali & Nusa Tenggara paling sedikit dengan 3 provinsi (7,9%). Perbedaan jumlah ini perlu diingat saat membandingkan antarwilayah karena wilayah dengan provinsi sedikit, seperti Bali & Nusa Tenggara, nilai rata-ratanya lebih mudah bergeser oleh satu provinsi saja, sedangkan wilayah dengan provinsi banyak lebih mewakili keragaman di dalamnya. Selain itu, perbedaan tinggi batang pada grafik ini hanya menunjukkan banyaknya provinsi, bukan baik atau buruknya pendidikan suatu wilayah.
2.2 Grafik 2: Bar Chart Kategori RLS (Kategorik)
ggplot(df, aes(x = kategori_rls, fill = kategori_rls)) +
geom_bar() +
scale_fill_manual(values = c("Rendah" = "firebrick",
"Sedang" = "goldenrod",
"Tinggi" = "seagreen")) +
labs(title = "Jumlah Provinsi menurut Kategori RLS",
x = "Kategori RLS", y = "Jumlah Provinsi") +
theme_minimal() +
theme(legend.position = "none")
Interpretasi: Grafik ini menampilkan jumlah provinsi pada setiap kategori RLS, yaitu Rendah, Sedang, dan Tinggi. Kategori dibuat dengan membagi 38 provinsi menjadi tiga kelompok berdasarkan tertil RLS, sehingga jumlahnya memang hampir sama: 13 provinsi pada kategori Rendah, 12 provinsi pada kategori Sedang, dan 13 provinsi pada kategori Tinggi. Batas RLS tiap kategori adalah sebagai berikut: kategori Rendah mencakup RLS 4,30 sampai 8,66 tahun, kategori Sedang lebih dari 8,66 sampai 9,56 tahun, dan kategori Tinggi lebih dari 9,56 sampai 11,59 tahun. Karena kategori ini dibuat dari pembagian data, grafik ini tidak menunjukkan seberapa banyak provinsi yang “baik” atau “buruk” secara absolut, melainkan hanya posisi relatif suatu provinsi dibandingkan provinsi lain di Indonesia pada tahun 2025.
2.3 Grafik 3: Histogram RLS (Numerik)
ggplot(df, aes(x = rls_tahun)) +
geom_histogram(bins = 8, fill = "tomato", color = "white") +
labs(title = "Distribusi Rata-rata Lama Sekolah",
x = "RLS (tahun)", y = "Jumlah Provinsi") +
theme_minimal()
Interpretasi: Grafik ini menampilkan sebaran Rata-rata Lama Sekolah (RLS) di 38 provinsi pada tahun 2025. RLS berkisar dari 4,30 tahun (Papua Pegunungan) sampai 11,59 tahun (DKI Jakarta), dengan rata-rata 9,03 tahun dan median 9,05 tahun. Sebagian besar provinsi berkumpul pada rentang 8 sampai 10 tahun, yaitu 29 dari 38 provinsi (76,3%), yang kira-kira setara dengan rata-rata penduduk menamatkan jenjang SMP. Bentuk sebarannya miring ke kiri (negatively skewed) karena ada ekor panjang di sisi RLS rendah. Dua provinsi berada jauh dari kelompok utama, yaitu Papua Pegunungan (4,30 tahun) dan Papua Tengah (6,13 tahun), sedangkan nilai tertinggi ada di DKI Jakarta (11,59 tahun). Hal ini menunjukkan bahwa meski capaian pendidikan sebagian besar provinsi relatif seragam, masih ada kesenjangan yang cukup lebar antara provinsi dengan RLS terendah dan tertinggi, yaitu selisih sekitar 7,3 tahun.
2.4 Grafik 4: Boxplot RLS per Wilayah (Numerik per Kategori)
ggplot(df, aes(x = wilayah, y = rls_tahun, fill = wilayah)) +
geom_boxplot() +
coord_flip() +
labs(title = "Rata-rata Lama Sekolah per Wilayah",
x = "Wilayah", y = "RLS (tahun)") +
theme_minimal() +
theme(legend.position = "none")
Interpretasi: [Bandingkan median tiap wilayah. Wilayah mana yang paling tinggi, paling rendah, dan paling bervariasi (kotak paling lebar)? Perhatikan titik di luar kotak (outlier): wilayah mana, dan apa artinya?]
2.5 Grafik 5: Boxplot APS menurut Kelompok Umur
# Ubah 4 kolom APS menjadi 2 kolom: kelompok umur dan nilai APS
aps_long <- pivot_longer(df,
cols = c(aps_7_12, aps_13_15, aps_16_18, aps_19_23),
names_to = "kelompok_umur",
values_to = "aps")
aps_long$kelompok_umur <- factor(aps_long$kelompok_umur,
levels = c("aps_7_12", "aps_13_15",
"aps_16_18", "aps_19_23"),
labels = c("7-12 th", "13-15 th",
"16-18 th", "19-23 th"))
ggplot(aps_long, aes(x = kelompok_umur, y = aps, fill = kelompok_umur)) +
geom_boxplot() +
labs(title = "Angka Partisipasi Sekolah menurut Kelompok Umur",
x = "Kelompok Umur", y = "APS (%)") +
theme_minimal() +
theme(legend.position = "none")
Interpretasi: Grafik ini membandingkan sebaran Rata-rata Lama Sekolah (RLS) pada enam wilayah. Median RLS tertinggi ada di Sumatera (9,39 tahun), hanya sedikit di atas Jawa (9,35 tahun), sedangkan median terendah ada di Bali & Nusa Tenggara (8,22 tahun). Kalimantan (8,96), Sulawesi (9,05), dan Maluku & Papua (8,66) berada di antaranya. Wilayah yang paling bervariasi adalah Maluku & Papua, dengan kotak paling lebar (selisih kuartil sekitar 2,04 tahun) dan rentang nilai dari 4,30 sampai 10,51 tahun. Setelah itu Jawa cukup bervariasi (rentang 8,15 sampai 11,59 tahun), sedangkan Kalimantan dan Sulawesi relatif seragam. Satu outlier tampak pada wilayah Maluku & Papua, yaitu Papua Pegunungan dengan RLS 4,30 tahun, jauh di bawah provinsi lain di wilayah yang sama. Artinya, rendahnya rata-rata RLS Maluku & Papua sebagian besar disebabkan oleh satu atau dua provinsi tertentu, bukan seluruh wilayahnya, sehingga perbandingan antarprovinsi di dalam wilayah tersebut lebih bermakna daripada hanya melihat median wilayah.
2.6 Grafik 6: Scatter Plot RLS dan Rata-rata APS (Dua Numerik)
ggplot(df, aes(x = rls_tahun, y = rata_aps)) +
geom_point(size = 3, color = "darkblue") +
geom_smooth(method = "lm", formula = y ~ x, se = FALSE, color = "red") +
labs(title = "Hubungan RLS dan Rata-rata APS",
x = "RLS (tahun)", y = "Rata-rata APS (%)") +
theme_minimal()
# Koefisien korelasi (antara -1 sampai 1)
cor(df$rls_tahun, df$rata_aps)## [1] 0.8079388Interpretasi: Grafik ini menunjukkan hubungan antara Rata-rata Lama Sekolah (RLS) dan rata-rata Angka Partisipasi Sekolah (APS) di 38 provinsi. Arah hubungannya positif: provinsi dengan RLS lebih tinggi cenderung memiliki APS lebih tinggi. Nilai korelasinya sekitar 0,81, yang tergolong kuat. Garis regresi menunjukkan bahwa setiap kenaikan RLS satu tahun dikaitkan dengan kenaikan rata-rata APS sekitar 3,9 poin persen. Beberapa titik menyimpang dari pola. Papua Tengah (RLS 6,13 tahun; APS 52,02%) berada paling jauh di bawah garis, sedangkan DI Yogyakarta (RLS 10,20 tahun; APS 86,74%) berada jauh di atas garis dan memiliki APS tertinggi. Papua Tengah dan Papua Pegunungan juga berada di ujung kiri bawah, terpisah jauh dari provinsi lain, sehingga sangat memengaruhi kekuatan hubungan: tanpa kedua provinsi tersebut, korelasi turun menjadi sekitar 0,55 (sedang). Perlu diingat bahwa korelasi tidak sama dengan sebab-akibat. RLS mengukur capaian pendidikan penduduk dewasa, sedangkan APS mengukur partisipasi sekolah usia 7-23 tahun, dan keduanya bisa sama-sama dipengaruhi faktor lain seperti akses sekolah dan kondisi wilayah.
3 Kesimpulan
Berdasarkan visualisasi data Rata-rata Lama Sekolah (RLS) dan Angka Partisipasi Sekolah (APS) di 38 provinsi tahun 2025, ada empat temuan utama.
Pertama, RLS sebagian besar provinsi cukup seragam, tetapi kesenjangannya lebar. Sebanyak 30 dari 38 provinsi berada pada RLS sekitar 8 sampai 10 tahun, dengan rata-rata 9,03 tahun. Namun, nilai terendah (Papua Pegunungan, 4,30 tahun) dan tertinggi (DKI Jakarta, 11,59 tahun) berselisih sekitar 7,3 tahun.
Kedua, kesenjangan terlihat paling besar di dalam wilayah Maluku & Papua, bukan hanya antarwilayah. Median RLS tertinggi ada di Sumatera (9,39 tahun) dan Jawa (9,35 tahun), sedangkan Bali & Nusa Tenggara terendah (8,22 tahun, dari hanya 3 provinsi). Maluku & Papua paling bervariasi, dengan Papua Pegunungan sebagai outlier.
Ketiga, partisipasi sekolah menurun tajam seiring naiknya kelompok umur. Median APS turun dari sekitar 99,3% pada usia 7-12 tahun menjadi 96,3% (13-15 tahun), 77,4% (16-18 tahun), dan 29,1% (19-23 tahun), dengan perbedaan antarprovinsi yang makin lebar pada kelompok umur yang lebih tinggi.
Keempat, RLS dan rata-rata APS berhubungan positif dan kuat (korelasi sekitar 0,81), tetapi hubungan ini sangat dipengaruhi oleh dua provinsi di Papua. Tanpa Papua Tengah dan Papua Pegunungan, korelasinya turun menjadi sekitar 0,55. Korelasi ini tidak membuktikan sebab-akibat.
Temuan-temuan ini sejalan dengan alasan pemilihan tema, yaitu untuk melihat seberapa merata capaian pendidikan di Indonesia. Hasilnya menunjukkan bahwa pemerataan pendidikan dasar sudah relatif baik, tetapi tantangan tersisa pada pendidikan menengah dan tinggi serta pada beberapa provinsi di wilayah Papua. Penelitian ini terbatas pada data satu tahun dan belum memasukkan faktor lain seperti kondisi ekonomi atau akses sekolah, sehingga hasilnya perlu dibaca sebagai gambaran, bukan penjelasan penyebab
4 Sumber Data
Badan Pusat Statistik, Rata-rata Lama Sekolah dan Angka Partisipasi Sekolah Antarprovinsi, 2025, https://www.bps.go.id/id/statistics-table/2/MjIxMSMy/angka-partisipasi-sekolah--aps--menurut-provinsi-dan-kelompok-umur.html