Visualisasi Data Kategorik dan Numerik: Akses Internet untuk Pembelajaran pada Jenjang SD/MI di Indonesia

Tugas Pendalaman Materi - Latihan Mandiri (Tugas Kelompok)

1 Pendahuluan

Perkembangan teknologi informasi dan komunikasi menuntut ketersediaan akses internet di satuan pendidikan, termasuk pada jenjang Sekolah Dasar (SD/MI). Akses internet menjadi salah satu penunjang utama proses pembelajaran, baik untuk mencari referensi materi, pembelajaran daring, maupun pengembangan kompetensi digital siswa maupun guru sejak dini.

Pada tugas ini, kelompok kami memilih untuk fokus pada bidang pendidikan, yaitu menganalisis dan memvisualisasikan data proporsi sekolah jenjang SD/SD-MI (sederajat) yang telah memiliki akses internet untuk tujuan pembelajaran pada seluruh kabupaten/kota di Indonesia.

1.1 Sumber Data

• Judul dataset: Proporsi Sekolah dengan Akses ke Internet untuk Tujuan Pembelajaran pada Jenjang SD/SD-MI Sederajat
• Sumber: Satu Data Indonesia - Portal Data Indonesia (data.go.id)
• Link dataset: https://data.go.id/dataset/dataset/proporsi-sekolah-dengan-akses-ke-internet-untuk-tujuan-pembelajaran-pada-jenjang-sd-sd-mi-seder
• Cakupan: 514 kabupaten/kota pada 34 provinsi di Indonesia
• Variabel utama:
  • Provinsi (kategorik)
  • Kabupaten/Kota (kategorik)
  • Tersedia (numerik) - jumlah sekolah SD/MI yang sudah memiliki akses internet untuk pembelajaran
  • Tidak tersedia (numerik) - jumlah sekolah SD/MI yang belum memiliki akses internet untuk pembelajaran
  • Persentase Tersedia (numerik) - persentase sekolah yang telah memiliki akses internet terhadap total sekolah pada kabupaten/kota tersebut

1.2 Alasan Pemilihan Data

Kelompok kami memilih dataset ini dengan beberapa pertimbangan sebagai berikut:

1. Relevansi dan aktualitas isu. Pemerataan akses internet di dunia pendidikan, khususnya jenjang dasar, merupakan isu penting dalam mendukung transformasi digital pendidikan Indonesia, terutama pasca pandemi Covid-19 yang mendorong pembelajaran berbasis daring.
2. Data bersifat resmi dan terbuka (open data). Dataset bersumber dari portal Satu Data Indonesia (data.go.id) sehingga kredibel dan dapat dipertanggungjawabkan.
3. Struktur data mendukung tugas. Dataset memuat variabel kategorik (Provinsi/Kabupaten-Kota) sekaligus variabel numerik (jumlah sekolah tersedia/tidak tersedia dan persentase), sehingga sangat sesuai untuk dibuatkan visualisasi data kategorik maupun numerik sesuai instruksi tugas.
4. Cakupan data luas dan lengkap. Data mencakup 514 kabupaten/kota di seluruh 34 provinsi di Indonesia sehingga memungkinkan analisis perbandingan antarwilayah (disparitas antarprovinsi maupun antarpulau).
5. Bermanfaat untuk pengambilan kebijakan. Hasil visualisasi dapat memberikan gambaran wilayah mana yang masih tertinggal dalam hal akses internet pendidikan, sehingga dapat menjadi bahan evaluasi pemerataan infrastruktur pendidikan oleh pemangku kebijakan.

---

2 Import dan Persiapan Data

2.1 Membaca Data

df <- read_excel("dataset.csv", sheet = "Data Kab-Kota")

df %>%
  download_this(
    output_name = "dataset",
    output_extension = ".csv",
    button_label = "Download Dataset (CSV)",
    button_type = "success",
    icon = "fa fa-download"
  )

Download Dataset (CSV)

# Merapikan nama kolom agar mudah dipanggil dalam R (tanpa spasi)
df <- df %>%
  rename(
    kode_kemdagri = `Kode Kemdagri`,
    kode_bps      = `Kode BPS`,
    provinsi      = Provinsi,
    kab_kota      = `Kabupaten/Kota`,
    tersedia      = Tersedia,
    tidak_tersedia = `Tidak tersedia`,
    persentase    = `Persentase Tersedia`
  ) %>%
  select(provinsi, kab_kota, tersedia, tidak_tersedia, persentase)

glimpse(df)

## Rows: 514
## Columns: 5
## $ provinsi       <chr> "Aceh", "Aceh", "Aceh", "Aceh", "Aceh", "Aceh", "Aceh",…
## $ kab_kota       <chr> "Kab. Aceh Selatan", "Kab. Aceh Tenggara", "Kab. Aceh T…
## $ tersedia       <dbl> 165, 159, 180, 150, 116, 190, 249, 346, 92, 68, 219, 10…
## $ tidak_tersedia <dbl> 40, 22, 110, 51, 39, 24, 30, 20, 23, 43, 14, 8, 20, 21,…
## $ persentase     <dbl> 80.48780, 87.84530, 62.06897, 74.62687, 74.83871, 88.78…

2.2 Menambahkan Variabel Kategorik Turunan

Untuk memperkaya visualisasi kategorik, kami membuat dua variabel kategorik tambahan hasil pengelompokan (derivasi), yaitu:

1. Pulau/Wilayah - hasil pengelompokan 34 provinsi ke dalam 6 kelompok pulau besar di Indonesia.
2. Kategori Akses Internet - hasil pengelompokan persentase ke dalam 3 kelas mutu (Rendah, Sedang, Tinggi) menggunakan aturan sturges sederhana (batas 50% dan 80%).

peta_pulau <- c(
  "Aceh" = "Sumatera", "Sumatera Utara" = "Sumatera", "Sumatera Barat" = "Sumatera",
  "Riau" = "Sumatera", "Kepulauan Riau" = "Sumatera", "Jambi" = "Sumatera",
  "Sumatera Selatan" = "Sumatera", "Bengkulu" = "Sumatera", "Lampung" = "Sumatera",
  "Kep. Bangka Belitung" = "Sumatera",
  "D.K.I. Jakarta" = "Jawa", "Jawa Barat" = "Jawa", "Jawa Tengah" = "Jawa",
  "D.I. Yogyakarta" = "Jawa", "Jawa Timur" = "Jawa", "Banten" = "Jawa",
  "Kalimantan Barat" = "Kalimantan", "Kalimantan Tengah" = "Kalimantan",
  "Kalimantan Selatan" = "Kalimantan", "Kalimantan Timur" = "Kalimantan",
  "Kalimantan Utara" = "Kalimantan",
  "Sulawesi Utara" = "Sulawesi", "Sulawesi Tengah" = "Sulawesi",
  "Sulawesi Selatan" = "Sulawesi", "Sulawesi Tenggara" = "Sulawesi",
  "Gorontalo" = "Sulawesi", "Sulawesi Barat" = "Sulawesi",
  "Bali" = "Bali-Nusa Tenggara", "Nusa Tenggara Barat" = "Bali-Nusa Tenggara",
  "Nusa Tenggara Timur" = "Bali-Nusa Tenggara",
  "Maluku" = "Maluku-Papua", "Maluku Utara" = "Maluku-Papua",
  "Papua" = "Maluku-Papua", "Papua Barat" = "Maluku-Papua"
)

df <- df %>%
  mutate(
    pulau = recode(provinsi, !!!peta_pulau),
    kategori_akses = case_when(
      persentase < 50 ~ "Rendah (<50%)",
      persentase < 80 ~ "Sedang (50-80%)",
      TRUE ~ "Tinggi (>=80%)"
    ),
    kategori_akses = factor(kategori_akses,
                             levels = c("Rendah (<50%)", "Sedang (50-80%)", "Tinggi (>=80%)"))
  )

kable(head(df, 10), caption = "10 baris pertama data setelah diolah")

10 baris pertama data setelah diolah

provinsi	kab_kota	tersedia	tidak_tersedia	persentase	pulau	kategori_akses
Aceh	Kab. Aceh Selatan	165	40	80.48780	Sumatera	Tinggi (>=80%)
Aceh	Kab. Aceh Tenggara	159	22	87.84530	Sumatera	Tinggi (>=80%)
Aceh	Kab. Aceh Timur	180	110	62.06897	Sumatera	Sedang (50-80%)
Aceh	Kab. Aceh Tengah	150	51	74.62687	Sumatera	Sedang (50-80%)
Aceh	Kab. Aceh Barat	116	39	74.83871	Sumatera	Sedang (50-80%)
Aceh	Kab. Aceh Besar	190	24	88.78505	Sumatera	Tinggi (>=80%)
Aceh	Kab. Pidie	249	30	89.24731	Sumatera	Tinggi (>=80%)
Aceh	Kab. Aceh Utara	346	20	94.53552	Sumatera	Tinggi (>=80%)
Aceh	Kab. Simeulue	92	23	80.00000	Sumatera	Tinggi (>=80%)
Aceh	Kab. Aceh Singkil	68	43	61.26126	Sumatera	Sedang (50-80%)

2.3 Statistik Deskriptif Singkat

summary(df$persentase)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   5.435  71.702  87.795  81.072  96.407 100.000

df %>%
  summarise(
    n_kab_kota   = n(),
    n_provinsi   = n_distinct(provinsi),
    rata2_persen = mean(persentase),
    median_persen = median(persentase),
    sd_persen    = sd(persentase),
    min_persen   = min(persentase),
    max_persen   = max(persentase)
  ) %>%
  kable(digits = 2, caption = "Ringkasan statistik deskriptif variabel Persentase Tersedia")

Ringkasan statistik deskriptif variabel Persentase Tersedia

n_kab_kota	n_provinsi	rata2_persen	median_persen	sd_persen	min_persen	max_persen
514	34	81.07	87.8	19.64	5.43	100

Interpretasi awal: Secara nasional, rata-rata persentase sekolah SD/MI yang telah memiliki akses internet untuk pembelajaran berada pada kisaran angka di atas, dengan variasi (standar deviasi) yang cukup besar antar kabupaten/kota, mengindikasikan adanya kesenjangan (disparitas) akses internet pendidikan antarwilayah di Indonesia.

---

3 Visualisasi Data Kategorik

3.1 Diagram Batang: Rata-rata Persentase Akses Internet per Pulau

df_pulau <- df %>%
  group_by(pulau) %>%
  summarise(rata2 = mean(persentase)) %>%
  arrange(desc(rata2))

ggplot(df_pulau, aes(x = reorder(pulau, rata2), y = rata2, fill = pulau)) +
  geom_col(show.legend = FALSE) +
  geom_text(aes(label = round(rata2, 1)), hjust = -0.15, size = 3.5) +
  coord_flip() +
  labs(
    title = "Rata-rata Persentase Sekolah SD/MI dengan Akses Internet\nmenurut Kelompok Pulau",
    x = "Kelompok Pulau",
    y = "Rata-rata Persentase Tersedia (%)"
  ) +
  ylim(0, max(df_pulau$rata2) * 1.15) +
  theme_minimal(base_size = 12)

Interpretasi: Diagram batang di atas menunjukkan perbandingan rata-rata persentase ketersediaan akses internet untuk pembelajaran antar kelompok pulau. Wilayah Jawa dan Bali-Nusa Tenggara cenderung memiliki rata-rata persentase yang lebih tinggi dibandingkan wilayah Indonesia bagian timur seperti Maluku-Papua, yang mengindikasikan adanya kesenjangan pemerataan infrastruktur akses internet pendidikan antara kawasan barat dan timur Indonesia.

3.2 Diagram Batang: Proporsi Kabupaten/Kota Berdasarkan Kategori Akses

df_kategori <- df %>%
  count(kategori_akses) %>%
  mutate(persen_label = paste0(round(n / sum(n) * 100, 1), "%"))

ggplot(df_kategori, aes(x = kategori_akses, y = n, fill = kategori_akses)) +
  geom_col(show.legend = FALSE) +
  geom_text(aes(label = paste0(n, " (", persen_label, ")")), vjust = -0.4, size = 3.8) +
  scale_fill_manual(values = c("#e74c3c", "#f1c40f", "#27ae60")) +
  labs(
    title = "Jumlah Kabupaten/Kota Menurut Kategori Akses Internet\nuntuk Pembelajaran SD/MI",
    x = "Kategori Akses Internet",
    y = "Jumlah Kabupaten/Kota"
  ) +
  ylim(0, max(df_kategori$n) * 1.2) +
  theme_minimal(base_size = 12)

Interpretasi: Grafik ini menunjukkan pengelompokan seluruh kabupaten/kota ke dalam tiga kategori akses internet (Rendah, Sedang, Tinggi). Terlihat bahwa sebagian besar kabupaten/kota berada pada kategori tertentu (lihat angka pada label batang), yang menggambarkan kondisi umum pemerataan akses internet pendidikan SD/MI di Indonesia secara nasional.

3.3 Diagram Batang: 10 Provinsi dengan Rata-rata Akses Internet Tertinggi dan Terendah

df_prov <- df %>%
  group_by(provinsi) %>%
  summarise(rata2 = mean(persentase)) %>%
  arrange(rata2)

top_bawah <- bind_rows(
  head(df_prov, 10) %>% mutate(kelompok = "10 Terendah"),
  tail(df_prov, 10) %>% mutate(kelompok = "10 Tertinggi")
)

ggplot(top_bawah, aes(x = reorder(provinsi, rata2), y = rata2, fill = kelompok)) +
  geom_col() +
  coord_flip() +
  scale_fill_manual(values = c("10 Terendah" = "#e74c3c", "10 Tertinggi" = "#27ae60")) +
  labs(
    title = "10 Provinsi dengan Rata-rata Persentase Akses Internet\nTertinggi vs Terendah",
    x = "Provinsi",
    y = "Rata-rata Persentase Tersedia (%)",
    fill = "Kelompok"
  ) +
  theme_minimal(base_size = 11)

Interpretasi: Perbandingan 10 provinsi dengan rata-rata persentase tertinggi dan terendah memperjelas adanya kesenjangan yang cukup signifikan. Provinsi-provinsi dengan rata-rata terendah umumnya berlokasi di kawasan timur Indonesia yang memiliki tantangan geografis dan infrastruktur telekomunikasi, sedangkan provinsi dengan rata-rata tertinggi umumnya berada di wilayah yang infrastrukturnya lebih maju.

---

4 Visualisasi Data Numerik

4.1 Histogram: Distribusi Persentase Akses Internet

ggplot(df, aes(x = persentase)) +
  geom_histogram(binwidth = 5, fill = "#2980b9", color = "white", boundary = 0) +
  labs(
    title = "Distribusi Persentase Sekolah SD/MI dengan Akses Internet\nuntuk Pembelajaran (per Kabupaten/Kota)",
    x = "Persentase Tersedia (%)",
    y = "Frekuensi (Jumlah Kabupaten/Kota)"
  ) +
  theme_minimal(base_size = 12)

Interpretasi: Histogram menggambarkan sebaran nilai persentase akses internet di 514 kabupaten/kota. Pola distribusi yang menjulur (skewed) ke salah satu sisi menunjukkan bahwa sebagian besar kabupaten/kota terkonsentrasi pada rentang persentase tertentu, sementara ada sejumlah kabupaten/kota yang persentasenya jauh lebih rendah/tinggi dari mayoritas wilayah lain.

4.2 Boxplot: Sebaran Persentase Akses Internet Berdasarkan Pulau

ggplot(df, aes(x = reorder(pulau, persentase, FUN = median), y = persentase, fill = pulau)) +
  geom_boxplot(show.legend = FALSE, outlier.color = "red", outlier.alpha = 0.5) +
  coord_flip() +
  labs(
    title = "Boxplot Persentase Akses Internet untuk Pembelajaran SD/MI\nmenurut Kelompok Pulau",
    x = "Kelompok Pulau",
    y = "Persentase Tersedia (%)"
  ) +
  theme_minimal(base_size = 12)

Interpretasi: Boxplot menunjukkan median, sebaran (kuartil), serta keberadaan outlier persentase akses internet pada tiap kelompok pulau. Semakin tinggi posisi kotak (boxplot) suatu pulau, semakin baik rata-rata kondisi akses internetnya. Lebar kotak yang besar menandakan variasi (ketimpangan) antar kabupaten/kota dalam pulau tersebut cukup tinggi, sedangkan titik merah menunjukkan kabupaten/kota yang nilainya jauh berbeda (outlier) dibandingkan wilayah lain di pulau yang sama.

4.3 Scatter Plot: Hubungan Jumlah Sekolah Tersedia vs Tidak Tersedia Akses Internet

ggplot(df, aes(x = tersedia, y = tidak_tersedia, color = kategori_akses)) +
  geom_point(alpha = 0.7, size = 2) +
  scale_color_manual(values = c("#e74c3c", "#f1c40f", "#27ae60")) +
  labs(
    title = "Hubungan Jumlah Sekolah dengan Akses Internet dan\nTanpa Akses Internet per Kabupaten/Kota",
    x = "Jumlah Sekolah Tersedia Akses Internet",
    y = "Jumlah Sekolah Tidak Tersedia Akses Internet",
    color = "Kategori Akses"
  ) +
  theme_minimal(base_size = 12)

Interpretasi: Scatter plot ini menggambarkan hubungan antara jumlah sekolah yang telah memiliki akses internet dengan jumlah sekolah yang belum memiliki akses internet pada tiap kabupaten/kota. Titik-titik yang berwarna hijau (kategori akses tinggi) cenderung berada pada posisi jumlah sekolah tersedia yang tinggi namun jumlah tidak tersedia yang rendah, sedangkan titik berwarna merah (kategori akses rendah) menunjukkan pola sebaliknya. Pola ini mengonfirmasi bahwa variabel kategori akses konsisten dengan komposisi jumlah sekolah tersedia/tidak tersedia pada masing-masing wilayah.

4.4 Diagram Garis: Rata-rata Persentase Akses Internet per Pulau (Diurutkan)

ggplot(df_pulau, aes(x = reorder(pulau, rata2), y = rata2, group = 1)) +
  geom_line(color = "#8e44ad", linewidth = 1) +
  geom_point(color = "#8e44ad", size = 3) +
  geom_text(aes(label = round(rata2, 1)), vjust = -1, size = 3.5) +
  labs(
    title = "Tren Rata-rata Persentase Akses Internet Antar Kelompok Pulau\n(Diurutkan dari Terendah ke Tertinggi)",
    x = "Kelompok Pulau",
    y = "Rata-rata Persentase Tersedia (%)"
  ) +
  ylim(0, max(df_pulau$rata2) * 1.2) +
  theme_minimal(base_size = 12)

Interpretasi: Diagram garis ini mempertegas urutan kelompok pulau dari rata-rata persentase akses internet terendah hingga tertinggi, sehingga memudahkan pembaca melihat besarnya kesenjangan (gap) antar kelompok pulau secara sekilas.

---

5 Kesimpulan

Berdasarkan seluruh visualisasi data kategorik dan numerik yang telah dibuat, dapat disimpulkan beberapa hal sebagai berikut:

1. Ketersediaan akses internet untuk pembelajaran pada jenjang SD/MI di Indonesia belum merata antarwilayah, baik pada level provinsi maupun kelompok pulau.
2. Wilayah Indonesia bagian barat, khususnya Pulau Jawa, cenderung memiliki rata-rata persentase akses internet yang lebih tinggi dibandingkan wilayah Indonesia bagian timur seperti Maluku-Papua.
3. Terdapat variasi (ketimpangan) yang cukup besar antar kabupaten/kota dalam satu provinsi maupun satu pulau yang sama, ditunjukkan oleh lebarnya boxplot dan adanya beberapa outlier.
4. Hubungan antara jumlah sekolah yang tersedia akses internet dan yang tidak tersedia konsisten dengan pengelompokan kategori akses (rendah, sedang, tinggi), memperkuat validitas pengelompokan yang telah dibuat.

Hasil ini dapat menjadi masukan bagi pemangku kebijakan pendidikan untuk memprioritaskan pemerataan infrastruktur internet pendidikan, khususnya pada kabupaten/kota dan provinsi dengan kategori akses rendah.

---

6 Referensi

Satu Data Indonesia. Proporsi Sekolah dengan Akses ke Internet untuk Tujuan Pembelajaran pada Jenjang SD/SD-MI Sederajat. data.go.id. Diakses dari: https://data.go.id/dataset/dataset/proporsi-sekolah-dengan-akses-ke-internet-untuk-tujuan-pembelajaran-pada-jenjang-sd-sd-mi-seder