A. Judul dan Identitas Kelompok
Judul Laporan : Analisis Karakteristik Perkawinan dan Perceraian di Provinsi Jawa Tengah Anggota Kelompok 6:
B. Pendahuluan : Data & Variabel
JumlaH Observasi dan Jenis Variabel Jumlah Observasi : Terdapat 35 observasi (baris) yang mewakili seluruh wilayah di Provinsi Jawa Tengah, yang terdiri dari 29 kabupaten dan 6 kota Jenis Variabel : Terdapat 4 variabel yang terdiri dari variabel kategorik (kualitatif) berupa nama kabupaten/kota serta variabel numerik (kuantitatif) yang mencakup jumlah pernikahan, cerai talak, dan cerai gugat
Penjelasan Singkat Variabel yang Digunakan dalam analisis ini terdiri dari: Variabel-variabel yang digunakan dalam analisis ini meliputi Wilayah sebagai nama 35 kabupaten/kota di Provinsi Jawa Tengah yang berstatus sebagai variabel kategorik. Selanjutnya , terdapat tiga variabel utama yang bersifat numerik diskrit, yaitu Nikah yang menyatakan jumlah peristiwa pernikahan di masing-masing wilayah, Cerai Talak yang menyatakan jumlah peristiwa perceraian atas permohonan suami, serta Cerai Gugat yang menyatakan jumlah peristiwabperceraian atas gugatan pihak istri tiap kabupaten dan kota.
#Membaca Data
library(readxl)
library(ggplot2)
setwd("D:/RStudio")
#Import File Excel
data_bps<- read_excel("Dataset_PBL_ALPRO.xlsx")
# Memeriksa struktur data
str(data_bps)
## tibble [35 × 4] (S3: tbl_df/tbl/data.frame)
## $ Wilayah : chr [1:35] "Kabupaten Cilacap" "Kabupaten Banyumas" "Kabupaten Purbalingga" "Kabupaten Banjarnegara" ...
## $ Nikah : chr [1:35] "12909" "10805" "6536" "6321" ...
## $ Cerai Talak: chr [1:35] "1278" "801" "382" "453" ...
## $ Cerai Gugat: chr [1:35] "3901" "3191" "1776" "1695" ...
head(data_bps)
## # A tibble: 6 × 4
## Wilayah Nikah `Cerai Talak` `Cerai Gugat`
## <chr> <chr> <chr> <chr>
## 1 Kabupaten Cilacap 12909 1278 3901
## 2 Kabupaten Banyumas 10805 801 3191
## 3 Kabupaten Purbalingga 6536 382 1776
## 4 Kabupaten Banjarnegara 6321 453 1695
## 5 Kabupaten Kebumen 8596 488 1975
## 6 Kabupaten Purworejo 4605 313 967
#Menampilkan seluruh baris data
print(data_bps, n=Inf)
## # A tibble: 35 × 4
## Wilayah Nikah `Cerai Talak` `Cerai Gugat`
## <chr> <chr> <chr> <chr>
## 1 Kabupaten Cilacap 12909 1278 3901
## 2 Kabupaten Banyumas 10805 801 3191
## 3 Kabupaten Purbalingga 6536 382 1776
## 4 Kabupaten Banjarnegara 6321 453 1695
## 5 Kabupaten Kebumen 8596 488 1975
## 6 Kabupaten Purworejo 4605 313 967
## 7 Kabupaten Wonosobo 5713 400 1488
## 8 Kabupaten Magelang 7813 448 1541
## 9 Kabupaten Boyolali 6077 372 1310
## 10 Kabupaten Klaten 6453 303 1239
## 11 Kabupaten Sukoharjo 4725 272 872
## 12 Kabupaten Wonogiri 5717 324 1219
## 13 Kabupaten Karanganyar 5110 292 1031
## 14 Kabupaten Sragen 6055 431 1522
## 15 Kabupaten Grobogan 9632 623 2338
## 16 Kabupaten Blora 5696 362 1222
## 17 Kabupaten Rembang 4184 230 793
## 18 Kabupaten Pati 7443 555 1791
## 19 Kabupaten Kudus 5107 199 964
## 20 Kabupaten Jepara 7932 357 1599
## 21 Kabupaten Demak 7946 405 1591
## 22 Kabupaten Semarang 6230 407 1437
## 23 Kabupaten Temanggung 4621 277 888
## 24 Kabupaten Kendal 6502 432 1732
## 25 Kabupaten Batang 5276 252 1423
## 26 Kabupaten Pekalongan 6553 227 1436
## 27 Kabupaten Pemalang 10458 687 2822
## 28 Kabupaten Tegal 10679 609 2724
## 29 Kabupaten Brebes 13418 753 3455
## 30 Kota Magelang 633 42 143
## 31 Kota Surakarta 2838 142 638
## 32 Kota Salatiga 946 50 224
## 33 Kota Semarang 8203 479 1898
## 34 Kota Pekalongan 1932 77 414
## 35 Kota Tegal 1737 106 413
#Ubah tipe data kolom menjadi numerik
data_bps$Nikah <- as.numeric(data_bps$Nikah)
data_bps$`Cerai Talak` <- as.numeric(data_bps$`Cerai Talak`)
data_bps$`Cerai Gugat` <- as.numeric(data_bps$`Cerai Gugat`)
Digunakan untuk mengatur direktori kerja, mengimpor datasset Excel “Dataset_PBL_ALPRO.xlsx” kedalam objek data_bps, memeriksa struktur serta tampilan awal data, dan mengonversi tipe data pada kolom Nikah,Cerai Talak, Cerai Gugat menjadi format numerik agar siap untuk dianalisis.
You can also embed plots, for example:
Interpretasi : Berdasarkan visualisasi histogram sebaran jumlah pernikahan, data menunjukkan pola distribusi yang tidak simetris sempurna di mana mayoritas wilayah mencatatkan angka pernikahan pada kisaran menengah, yaitu antara 4.000 hingga 8.000 kasus. Puncak frekuensi tertinggi terjadi pada interval 6.000 sampai 8.000 yang mendominasi sebagian wilayah pengamatan yakni mencakup 12 wilayah diikuti oleh interval 4.000 hingga 6.000 sebanyak 10 wilayah. Jumlah wilayah dengan angka pernikahan yang rendah di bawah 2.000 maupun wilayah dengan tingkat pernikahan yang tinggi di atas 10.000 hingga 14.000 jumlahnya relatif sedikit dan jarang dijumpai. Dengan demikian, mayoritas wilayah di Jawa Tengah (22 dari 35 wilayah atau sekitar 62,9%) memiliki angka pernikahan yang mengelompok.
#2. Grafik Base R : BOXPLOT "Perbandingan Jumlah Cerai Gugat dan Cerai Talak"
boxplot(
data_bps$`Cerai Talak` ,data_bps$ `Cerai Gugat`,
data = data_bps,
col = c("lightblue", "lightcoral"),
main = "Perbandingan Jumlah Cerai Gugat dan Cerai Talak",
names = c("Cerai Talak", "Cerai Gugat"),
ylab = "Jumlah Kasus"
)
# Menambahkan garis grid horizontal agar mudah dibaca
grid(nx = NA, ny = NULL, lty = 2, col = "gray")
Interpretasi : Berdasarkan visualisasi boxplot perbandingan jumlah cerai talak dan cerai gugat, data memperlihatkan perbedaan tingkat dan keragaman kasus yang sangat kontras di mana Cerai Gugat memiliki nilai median serta sebaran data yang jauh lebih tinggi dan lebar dibandingkan Cerai Talak. Garis tengah kotak (median) Cerai Gugat berada di kisaran angka 1.437 kasus dengan rentang interkuartil yang membentang luas, sementara Cerai Gugat terkonsentrasi di angka yang jauh lebih rendah dengan median sekitar 372 kasus. Selain itu, kedua kelompok variabel sama-sama menunjukkan adanya titik-titik pencilan (outliers) di atas batas atas whisker yakni wilayah-wilayah dengan lonjakan angka perceraian yang jauh melampaui rata-rata mayoritas kabupaten/kota lainnya di Provinsi Jawa Tengah, seperti Kabupaten Cilacap dan Kabupaten Banyumas serta Kabupaten Brebes pada variabel Cerai Gugat.
#3. GRAFIK GGPLOT2 : SCATTERPLOT "Hubungan Antara Jumlah Pernikahan dan Cerai Gugat"
ggplot(data_bps, aes(x = Nikah, y = `Cerai Gugat`)) +
geom_point(color = "darkblue", size = 3, alpha = 0.8) +
geom_smooth(method = "lm", color = "red", linetype = "dashed") +
labs(title = "Hubungan Antara Jumlah Pernikahan dan Cerai Gugat",
subtitle = "Data Kependudukan Wilayah",
x = "Jumlah Pernikahan (Nikah)",
y = "Jumlah Cerai Gugat") +
theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'
Interpretasi : Berdasarkan scatter plot, terlihat adanya hubungan positif antara jumlah pernikahan dan jumlah cerai gugat pada kabupaten/kota di Provinsi Jawa Tengah tahun 2025. Artinya, semakin tinggi jumlah pernikahan di suatu wilayah, cenderung semakin tinggi pula jumlah cerai gugat. Sebagian besar titik pada grafik mengikuti arah garis regresi, sehingga menunjukkan adanya hubungan yang cukup kuat dan cenderung linear antara kedua variabel. Namun, terdapat beberapa titik yang menyimpang dari pola tersebut. Hal ini menunjukkan bahwa jumlah cerai gugat tidak hanya berkaitan dengan jumlah pernikahan, tetapi juga dapat dipengaruhi oleh faktor lain, seperti jumlah penduduk dan kondisi sosial ekonomi masyarakat. Pola hubungan positif pada grafik ini tidak berarti banyaknya pernikahan secara langsung menyebabkan meningkatnya perceraian. Hubungan tersebut hanya menunjukkan adanya keterkaitan antara kedua variabel berdasarkan data yang dianalisis. Secara keseluruhan, sebaran titik pada grafik memperlihatkan bahwa jumlah pernikahan memiliki hubungan positif dengan jumlah cerai gugat, di mana semakin tinggi jumlah pernikahan, cenderung semakin tinggi pula jumlah cerai gugat di suatu wilayah.
D.Uji t
#Uji t (2 sampel) INDEPENDEN
# Membuat data frame
status <- c(data_bps$`Nikah`,data_bps$`Cerai Gugat`)
provinsi <- factor(c(rep("Nikah",35),rep("CeraiGugat",35)))
datastatus <- data.frame(status, provinsi)
datastatus
## status provinsi
## 1 12909 Nikah
## 2 10805 Nikah
## 3 6536 Nikah
## 4 6321 Nikah
## 5 8596 Nikah
## 6 4605 Nikah
## 7 5713 Nikah
## 8 7813 Nikah
## 9 6077 Nikah
## 10 6453 Nikah
## 11 4725 Nikah
## 12 5717 Nikah
## 13 5110 Nikah
## 14 6055 Nikah
## 15 9632 Nikah
## 16 5696 Nikah
## 17 4184 Nikah
## 18 7443 Nikah
## 19 5107 Nikah
## 20 7932 Nikah
## 21 7946 Nikah
## 22 6230 Nikah
## 23 4621 Nikah
## 24 6502 Nikah
## 25 5276 Nikah
## 26 6553 Nikah
## 27 10458 Nikah
## 28 10679 Nikah
## 29 13418 Nikah
## 30 633 Nikah
## 31 2838 Nikah
## 32 946 Nikah
## 33 8203 Nikah
## 34 1932 Nikah
## 35 1737 Nikah
## 36 3901 CeraiGugat
## 37 3191 CeraiGugat
## 38 1776 CeraiGugat
## 39 1695 CeraiGugat
## 40 1975 CeraiGugat
## 41 967 CeraiGugat
## 42 1488 CeraiGugat
## 43 1541 CeraiGugat
## 44 1310 CeraiGugat
## 45 1239 CeraiGugat
## 46 872 CeraiGugat
## 47 1219 CeraiGugat
## 48 1031 CeraiGugat
## 49 1522 CeraiGugat
## 50 2338 CeraiGugat
## 51 1222 CeraiGugat
## 52 793 CeraiGugat
## 53 1791 CeraiGugat
## 54 964 CeraiGugat
## 55 1599 CeraiGugat
## 56 1591 CeraiGugat
## 57 1437 CeraiGugat
## 58 888 CeraiGugat
## 59 1732 CeraiGugat
## 60 1423 CeraiGugat
## 61 1436 CeraiGugat
## 62 2822 CeraiGugat
## 63 2724 CeraiGugat
## 64 3455 CeraiGugat
## 65 143 CeraiGugat
## 66 638 CeraiGugat
## 67 224 CeraiGugat
## 68 1898 CeraiGugat
## 69 414 CeraiGugat
## 70 413 CeraiGugat
# Uji asumsi homogenitas/kesamaan varians
#H₀: Varians kedua data sama
#H₁: Varians kedua data berbeda
library(car)
## Loading required package: carData
leveneTest(status ~ provinsi, data = datastatus)
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 19.388 3.868e-05 ***
## 68
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#uji asumsi normalitas
#H0: data normal
#H1: data tidak normal
shapiro.test(data_bps$`Nikah`)
##
## Shapiro-Wilk normality test
##
## data: data_bps$Nikah
## W = 0.96745, p-value = 0.377
shapiro.test(data_bps$`Cerai Gugat`)
##
## Shapiro-Wilk normality test
##
## data: data_bps$`Cerai Gugat`
## W = 0.9339, p-value = 0.03658
#Menggunakan fungsi bawaan di R
t.test(data_bps$`Nikah`, data_bps$`Cerai Gugat`, var.equal = FALSE) #karena tidak mengisyaratkan varians kedua kelompok sama
##
## Welch Two Sample t-test
##
## data: data_bps$Nikah and data_bps$`Cerai Gugat`
## t = 9.2358, df = 39.647, p-value = 1.977e-11
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 3832.541 5980.545
## sample estimates:
## mean of x mean of y
## 6440.029 1533.486
Interpretasi :
Uji Hipotesis Hasil uji t menampilkan “alternative hypothesis: true difference in means is not equal to 0”, sehingga pengujian dilakukan secara dua arah (two-tailed). H0: Rata-rata jumlah nikah sama dengan rata-rata jumlah cerai gugat (tidak terdapat perbedaan yang signifikan). H1: Rata-rata jumlah nikah berbeda dengan rata-rata jumlah cerai gugat (terdapat perbedaan yang signifikan).
Uji Asumsi
F. Hasil Akhir Berdasarkan analisis data 35 kabupaten/kota di Provinsi Jawa Tengah tahun 2025, jumlah pernikahan di sebagian besar wilayah berada pada kisaran 4.000–8.000 kasus, sedangkan cerai gugat lebih tinggi dan lebih beragam dibandingkan cerai talak (median 1.437 berbanding 372 kasus), dengan lonjakan di Kabupaten Cilacap, Banyumas, dan Brebes. Scatter plot menunjukkan hubungan positif yang cukup kuat antara jumlah pernikahan dan cerai gugat, namun hubungan ini bukan hubungan sebab-akibat karena dipengaruhi faktor lain seperti jumlah penduduk dan kondisi sosial ekonomi. Uji t Welch, yang digunakan karena varians kedua kelompok tidak homogen, menunjukkan perbedaan rata-rata yang signifikan (t = 9,2358; df = 39,647; p-value = 1,977 × 10⁻¹¹ < 0,05), dengan rata-rata jumlah pernikahan (6.440,029) jauh lebih tinggi daripada cerai gugat (1.533,486). Dengan demikian, dapat disimpulkan bahwa di Jawa Tengah jumlah pernikahan secara nyata lebih tinggi daripada cerai gugat, cerai gugat lebih dominan daripada cerai talak, dan wilayah dengan pernikahan lebih banyak cenderung memiliki cerai gugat lebih banyak pula.
G. Daftar Pustaka https://rpubs.com/futri0055/1357183