ANALISIS BIPLOT PADA BERBAGAI FAKTOR KEMISKINAN DI INDONESIA BERDASARKAN PROVINSI

Authors

  • Ezha Easyfa Wieldyanisa Universitas Airlangga, Indonesia
  • Ferissa Maulida Ismi Universitas Airlangga, Indonesia
  • Refa Berliana Putri Universitas Airlangga, Indonesia
  • Shabrina Nareswari Dwitya Universitas Airlangga, Indonesia
  • Elly Pusporani Universitas Airlangga, Indonesia
  • Dita Amelia Universitas Airlangga, Indonesia

DOI:

https://doi.org/10.29303/e-jep.v7i2.09

Keywords:

Analisis Biplot, Ekonomi Kebijakan Pembangunan, Kemiskinan, Pendidikan

Abstract

Kemiskinan merupakan permasalahan kompleks yang dipengaruhi oleh berbagai faktor sosial dan ekonomi. Berdasarkan hal tersebut, penelitian ini bertujuan untuk melihat hubungan antara provinsi di Indonesia dan berbagai faktor yang berpengaruh terhadap kemiskinan seperti pendidikan, kesehatan, dan infrastruktur dasar menggunakan analisis biplot. Data sekunder tahun 2024 dari BPS digunakan dengan delapan variabel utama, meliputi usia harapan hidup, produk domestik regional bruto (PDRB) per kapita, angka melek huruf, rumah tangga dengan sanitasi layak, akses air layak, akses listrik, angka partisipasi sekolah, dan rata-rata lama sekolah. Hasil analisis menunjukkan bahwa 81,772% keragaman data dapat dijelaskan oleh dua komponen utama dalam grafik biplot. Provinsi-provinsi dikelompokkan ke dalam empat kuadran berdasarkan kesamaan karakteristik kemiskinan. Faktor dengan keragaman tertinggi adalah rumah tangga dengan sanitasi layak, sedangkan faktor dengan keragaman terendah adalah PDRB per kapitaKorelasi antar variabel menunjukkan bahwa angka melek huruf dan akses listrik memiliki hubungan paling kuat, yang berarti semakin tinggi tingkat melek huruf suatu daerah, semakin besar pula kemungkinan masyarakatnya memiliki akses terhadap listrik. Sebaliknya, hubungan terlemah terdapat antara PDRB dan akses listrik. Penelitian ini menunjukkan bahwa memahami kemiskinan memerlukan pendekatan terhadap berbagai faktor yang saling berkaitan serta perlunya kebijakan pembangunan yang disesuaikan dengan karakteristik daerah masing-masing.

References

Akbar, A. M., & Prabowo, P. S. (2023). Hubungan Kausalitas Produk Domestik Regional Bruto, Indeks Pembangunan Manusia dan Kemiskinan di Indonesia. Independent: Journal of Economics. https://ejournal.unesa.ac.id/index.php/independent

Anam, C. C. K., & Feriyanto, N. (2025). Analisis angka partisipasi sekolah, indeks pembangunan manusia dan laju pertumbuhan ekonomi terhadap tingkat kemiskinan di Kabupaten Purworejo. Jurnal Kebijakan Ekonomi dan Keuangan, 147–155. https://doi.org/10.20885/JKEK.vol3.iss2.art4

Aryanti, E. D., & Sukardi, A. S. (2024). Pengangguran, Pendidikan, Kesehatan, dan Ketimpangan Pendapatan Terhadap Kemiskinan di Indonesia. Journal of Economics Research and Policy Studies, 4(2), 117–133. https://doi.org/10.53088/jerps.v4i2.918

Badan Pusat Statistik. (2024). Profil Kemiskinan di Indonesia.

Ferezagia, D. V. (2018). Analisis Tingkat Kemiskinan di Indonesia. Jurnal Sosial Humaniora Terapan, 1(1).

Latuconsina, H., Khusaini, K., & Lesmana, S. J. (2024). Pendidikan dan Penggunaan Internet Menurunkan Kemiskinan di Banten. Jurnal Ekonomi dan Pembangunan Indonesia, 12(1), 184–207. https://doi.org/10.21002/jepi.2024.12

Leleury, Z. A., & Wokanubun, A. E. (2015). Analisis Biplot Pada Pemetaan Karakteristik Kemiskinan Di Provinsi Maluku. BAREKENG: Jurnal Ilmu Matematika Dan Terapan, 9(1), 21–31. https://doi.org/10.30598/barekengvol9iss1pp21-31

Naufal, M. J., Surbakti, S., Tampubolon, R. L., Silalahi, R., & Zakiah, W. (2024). Analisis Dampak Pendidikan dan Akses Keuangan terhadap Penanggulangan Kemiskinan. Jurnal Ekonomi dan Pembangunan Indonesia, 2(1), 91–101. https://doi.org/10.61132/jepi.v2i1.288

Rahman, MA., Hossain, MF., Hossain, M., dan Ahmmed, R. (2020),”Employing PCA and t-statistical approach for feature extraction and classification of emotion from multichannel EEG signal”, Egyptian Informatics Journal, Vol. 21, p.23-35.

Ritonga, A. S., & Muhandhis, I. (2021). Teknik Data Mining Untuk Mengklasifikasikan Data Ulasan Destinasi Wisata Menggunakan Reduksi Data Principal Component Analysis (Pca). Edutic - Scientific Journal of Informatics Education, 7(2). https://doi.org/10.21107/edutic.v7i2.9247

Utami, A. S., Pravitasari, A. A., & Ginanjar, I. (2023). Analisis Biplot pada Pengelompokan Kecamatan di Kabupaten Tasikmalaya berdasarkan Indikator Kemiskinan. Inferensi, 1(1), 53. https://doi.org/10.12962/j27213862.v1i1.19128

Widowati, W., & Muzdalifah, L. (2017). Perbandingan Analisis Biplot Klasik dan Robust Biplot pada Pemetaan Perguruan Tinggi Swasta di Jawa Timur. Jurnal Riset Dan Aplikasi Matematika (JRAM), 1(1), 27. https://doi.org/10.26740/jram.v1n1.p27-39

World Bank. (2022). Fact Sheet: An Adjustment to Global Poverty Lines

Downloads

Published

2025-09-30

How to Cite

Wieldyanisa, E. E., Ismi, F. M., Putri, R. B., Dwitya, S. N., Elly Pusporani, & Amelia, D. (2025). ANALISIS BIPLOT PADA BERBAGAI FAKTOR KEMISKINAN DI INDONESIA BERDASARKAN PROVINSI. Elastisitas : Jurnal Ekonomi Pembangunan, 7(2), 71–81. https://doi.org/10.29303/e-jep.v7i2.09