##deskripsi_data kami mengambil data Indeks Pembangunan Manusia provinsi Papua thn 2014~2019 di https://papua.bps.go.id/indicator/26/115/1/-metode-baru-indeks-pembangunan-manusia.html dan kami ubah menjadi sehingga terlihat sepertiini

Apa Itu Indeks Pembangunan Manusia?

IPM menjelaskan bagaimana penduduk dapat mengakses hasil pembangunan dalam memperoleh pendapatan, kesehatan, pendidikan, dan sebagainya. IPM diperkenalkan oleh United Nations Development Programme (UNDP) pada tahun 1990 dan dipublikasikan secara berkala dalam laporan tahunan Human Development Report (HDR). ~sumber:papua.bps.go.id

IPM dibentuk oleh 3 (tiga) dimensi dasar: - Umur panjang dan hidup sehat(Index Kesehatan) - Pengetahuan(Index Pendidikan) - Standar hidup layak(Index Pengeluaran) Itu adalah metode baru yg digunakan BPS untuk menghitung IPM di papua sebelumnya di metode lama ada angka melek huruf dan pengunaan rata-rata aritmatik namun hal itu bisa menggambarkan bahwa capaian yang rendah di suatu dimensi dapat ditutupi oleh capaian tinggi dari dimensi lain dan angka melek huruf sudah tidak relevan karena sudah tinggi

library(readxl)
## Warning: package 'readxl' was built under R version 4.0.3
dataIPM<- read_xlsx("IndeksPembagunanManusia.xlsx")
dataIPM
## # A tibble: 10 x 6
##    Tahun   AHH   HLS   RLS pengeluaran   IPM
##    <dbl> <dbl> <dbl> <dbl>       <dbl> <dbl>
##  1  2010  64.3  8.57  5.59     6251000  54.4
##  2  2011  64.5  8.92  5.6      6303000  55.0
##  3  2012  64.6  9.11  5.73     6349000  55.6
##  4  2013  64.8  9.58  5.74     6394000  56.2
##  5  2014  64.8  9.94  5.76     6416100  56.8
##  6  2015  65.1  9.95  5.99     6469000  57.2
##  7  2016  65.1 10.2   6.15     6637000  58.0
##  8  2017  65.1 10.5   6.27     6996000  59.1
##  9  2018  65.4 10.8   6.52     7159000  60.1
## 10  2019  65.6 11.0   6.65     7336000  60.8

##Menghitung Indeks Komponen Setiap komponen IPM Mempunyai rumus dan Rumus yang digunakan adalah sebagai berikut. Dimensi Kesehatan didapat dari angka harapan hidup (AHH)

contoh di r:

I_kesehatan = (65.14 - 64.31)/(65.65 - 64.31)
I_kesehatan
## [1] 0.619403

Dimensi Pendidikan didapat dari (HLS) dan (RLS)

contoh di r:

I_Pendidikan = (((10.23-8.57)/(11-8.57))+((6.15-5.59)/(6.65-5.59)))/2
I_Pendidikan
## [1] 0.6057147

Dimensi Pengeluaran didapat dari pengeluaran per kapita dengan Produk Nasional Bruto (PNB) yg disesuaikan menurut berapa setiap orang mendapatakan berapa ribu dalam satu tahun. pengeluaran yg dimaksud seperti subsidi, pembangunan tempat umum (terminal,jalan,toilet) dan public service lainnya

contoh di r:

I_Pengeluaran = (6416100-6251000)/(7336000-6251000)
I_Pengeluaran
## [1] 0.1521659

Menghitung IPM IPM dihitung sebagai rata-rata geometrik dari indeks kesehatan, pendidikan, dan pengeluaran. IPM=∛(I_Kesehatan×I_Pendidikan×I_Pengeluaran) menghitung pertumbuhan ipm per tahun : IPM=∛(I_Kesehatan×I_Pendidikan×I_Pengeluaran) x 100 contoh di r

a=0.619402985*0.717932136*0.686635945
a
## [1] 0.3053397
sqrt3<-function(x) x^(1/3)##membuat fungsi akar3 karena sebenarnya akar pangkat 3 = mencari bil berpangkat 3 (?^3)Bagaimana kalau akar pangkat dua? Berarti menulisnya 1/2 namun sudah ada fungsi sqrt jadi tdk perlu membuat function lagi.
IPM=sqrt3(a)*100
IPM
## [1] 67.33813

dapat kita lihat dari rumus rumus diatas selalu ada nilai min dan max yg berarti misal untuk menentukan index data. berarti misal rumus tersebut bisa dibaca: data sekarang kurang data min dibagi data max dikurangi data max(jumlah). yg berarti semua index apabila data baru berada diantara data min & max maka hasilnya 0~1 apabila diatas max maka >1 apabila dibawah min maka <0 (bps menyebut ini standarisasi) sebenarnya AHH,HLS,RLS dan pengeluaran perkapita tetap diatas 1 dan itu memiliki hitungan tersendiri penentuan data min& max itu bukan dari yg posisi data terbawah dg data tertinggi oleh sebab itu data yg kami ambil salah karena saya hanya mengambil dari 2014~2019 seharusnya dari 2010~2019 sesuai bps dan tidak hanya provinsi papua saja namun seluruh kabupaten di provinsi papua. yg ada di provinsi papua itu rata rata dari semua kabupaten. nah itulah yg membuat kelompok kami bingung saat menghitung IPM kok hasilnya beda sesuai di bps sehingga saat menghitung nilai ipm hasilnya berbeda dg aslinya karena diluar thn 2014 ada data terendah / tertinggi yg digunakan untuk membuat IPM sebelumnya jadi hasil IPM saya berbeda. jadi datanya seperti ini kita bisa menggunakan fungsi di excell sehingga tidak perlu membuatnya disini cth:

note: kolom 1- 10 adalah thn 2019-2010 index pengetahun di kolom paling kanan dan baris 1 =semuadata baris2= perkabupaten

library(readxl)
dataSemuaIPM<- read_xlsx("bpssemuadata.xlsx")
## New names:
## * `` -> ...3
## * `` -> ...4
## * `` -> ...5
## * `` -> ...6
## * `` -> ...7
## * ...
dataSemuaIPM
## # A tibble: 35 x 61
##    Kabupaten `[Metode Baru] ~  ...3  ...4  ...5  ...6  ...7  ...8  ...9 ...10
##    <chr>                <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
##  1 Merauke              13.6  13.2  13.0  12.7  12.5  12.1  12.0  11.6  11.6 
##  2 Jayawija~            11.9  11.6  11.3  11.0  10.8  10.6  10.5  10.3  10.1 
##  3 Jayapura             14.2  14.2  14.2  14.2  13.8  13.5  13.3  13.3  12.9 
##  4 Nabire               11.6  11.1  10.9  10.7  10.6  10.6  10.5  10.5  10.5 
##  5 Kepulaua~            12.7  12.2  11.8  11.6  11.5  11.4  11.3  11.2  11.1 
##  6 Biak Num~            14.0  13.9  13.9  13.7  13.4  13.2  13.0  12.8  12.6 
##  7 Paniai               10.5  10.5  10.3  10.3  10.3  10.3  10.2  10.1  10.0 
##  8 Puncak J~             6.96  6.59  6.24  5.99  5.97  5.93  5.58  5.13  4.67
##  9 Mimika               12.2  11.8  11.5  11.1  10.8  10.5  10.3   9.91  9.8 
## 10 Boven Di~            11.1  11.0  11.0  11.0  11.0  10.8  10.6  10.5  10.3 
## # ... with 25 more rows, and 51 more variables: ...11 <dbl>, `[Metode Baru]
## #   Angka Harapan Hidup (Tahun)` <dbl>, ...13 <dbl>, ...14 <dbl>, ...15 <dbl>,
## #   ...16 <dbl>, ...17 <dbl>, ...18 <dbl>, ...19 <dbl>, ...20 <dbl>,
## #   ...21 <dbl>, `[Metode Baru] Rata - Rata Lama Sekolah (Tahun)` <dbl>,
## #   ...23 <dbl>, ...24 <dbl>, ...25 <dbl>, ...26 <dbl>, ...27 <dbl>,
## #   ...28 <dbl>, ...29 <dbl>, ...30 <dbl>, ...31 <chr>, `[Metode Baru]
## #   Pengeluaran Per Kapita Disesuaikan (Ribu Rupiah)` <dbl>, ...33 <dbl>,
## #   ...34 <dbl>, ...35 <dbl>, ...36 <dbl>, ...37 <dbl>, ...38 <dbl>,
## #   ...39 <dbl>, ...40 <dbl>, ...41 <chr>, `[Metode Baru] Indeks Pembangunan
## #   Manusia` <dbl>, ...43 <dbl>, ...44 <dbl>, ...45 <dbl>, ...46 <dbl>,
## #   ...47 <dbl>, ...48 <dbl>, ...49 <dbl>, ...50 <dbl>, ...51 <chr>, `Indeks
## #   Pengetahuan` <dbl>, ...53 <dbl>, ...54 <dbl>, ...55 <dbl>, ...56 <dbl>,
## #   ...57 <dbl>, ...58 <dbl>, ...59 <dbl>, ...60 <dbl>, ...61 <dbl>

dapat dilihat ternyata bukan itu min dan max yg dimaksud setelah kami cari di bps lagi ternyata min dan max sudah ditentukan seperti ini: Tabel Nilai Minimum dan Maksimum Komponen Penyusun IPM

Komponen IPM Satuan Minimum Maksimum Angka Harapan Hidup (AHH) Tahun 20 85 Rata-rata Lama Sekolah (RLS) Tahun 0 15 Harapan Lama Sekolah (HLS) Tahun 0 18 Pengeluaran per Kapita Rupiah 1007436 26572352 Catatan: - Penentuan nilai minimum dan maksimum menggunakan standar UNDP untuk keterbandingan global. kecuali standar hidup layak karena menggunakan ukuran rupiah. - Daya beli minimum merupakan garis kemiskinan terendah kabupaten tahun 2010 (data empiris) yaitu di Tolikara Papua. - Daya beli maksimum merupakan nilai tertinggi kabupaten yang diproyeksikan hingga 2025 (akhir RPJPN) yaitu perkiraan pengeluaran per kapita Jakarta Selatan tahun 2025. jadi apabila kita mencoba menghitung ipm provinsi papua thn 2018:

I_kesehatan = (65.36 - 20)/(85 - 0)
I_Pendidikan = (((10.83-0)/(18-0))+((6.52-0)/(15-0)))/2
I_Pengeluaran = (7159000-1007436)/(26572352-1007436)
a= I_kesehatan *I_Pendidikan*I_Pengeluaran
IPM2018 = sqrt3(a)*100
IPM2018
## [1] 40.52176

##mengecek variabel yang ada pada xlsx

names(dataIPM)
## [1] "Tahun"       "AHH"         "HLS"         "RLS"         "pengeluaran"
## [6] "IPM"
lm(IPM~AHH+HLS+RLS+pengeluaran,data = dataIPM)
## 
## Call:
## lm(formula = IPM ~ AHH + HLS + RLS + pengeluaran, data = dataIPM)
## 
## Coefficients:
## (Intercept)          AHH          HLS          RLS  pengeluaran  
##   8.023e+00    3.077e-01    1.231e+00    1.423e+00    1.302e-06

mengecek model

dari perhitungan regresi linear berganda diatas ditemukan model persamaan, yaitu = y = 97,3355801 + 3.077e-01* AHH + 1.231e+00* HLS + 1.423e+00* RLS + 1.302e-06* pengeluaran kita bisa memisalkan : jika AHH = 65.65 + 3.077e-01 = 68.72 jika HLS = 11.05 + 1.231e+00 = 12.28 jika RLS =6.65 + 1.423e+00 = 8.07 jika pengeluaran = 7336000 + 1.302e-06 = 7463000

model = lm(IPM~AHH+HLS+RLS+pengeluaran,data = dataIPM)
data_baru = data.frame(AHH=68.72,HLS=12.28,RLS=8.07,pengeluaran=7463000)
predict(model,data_baru)
##       1 
## 65.4884

mencari MAD

langkah selanjutnya untuk mengetahui tingkat kesalahan/error dari data yang sudah diprediksi menggunakan MAD(Mean Absolute Deviation) hasil nilai predisksi rasio jenis kelamin yang ditemukan adalah = 65.4884 rumus MAD = (data aktual - data prediksi)/ jumlah baris namun karena data IPM 2020 belum di publikasi bps kami tidak bisa membandingkannya

##Klasifikasi Status Pembangunan Manusia: ___________________________________________# Nilai IPM |Status Pembangunan Manusia| ________________|__________________________| IPM< 60 |Rendah | 60 ≤ IPM ≥ 70 |Sedang | 70 ≤ IPM ≥ 80 |Tinggi | IPM≥ 80 |Sangat Tinggi | ________________|__________________________# hasil nya adalah = 65.4884 yg berarti data itu masuk klasifikasi sedang