Pemodelan Multidimensional Ketimpangan Wilayah Jawa Timur Dengan Kombinasi Thematic PCA dan Analisis PLS-DA

Abstract

Ketimpangan wilayah merupakan isu pembangunan yang mencerminkan kesenjangan kesejahteraan dan tingkat pembangunan antarwilayah. Ketimpangan wilayah tidak dapat diukur hanya berdasarkan satu indikator saja, karena dipengaruhi oleh berbagai faktor, seperti ekonomi, pendidikan, kesehatan, demografi, dan infrastruktur. Penelitian ini bertujuan untuk membangun model ketimpangan wilayah multidimensi menggunakan kombinasi Thematic Principal Component Analysis (Thematic PCA) dan Partial Least Squares-Discriminant Analysis (PLS-DA), serta mengidentifikasi faktor-faktor dominan yang berkontribusi terhadap ketimpangan wilayah di Provinsi Jawa Timur. Data yang digunakan merupakan data sekunder tahun 2024 yang mencakup 38 kabupaten/kota dengan 72 variabel yang dikelompokkan ke dalam lima dimensi: ekonomi, pendidikan, kesehatan, demografi, dan infrastruktur. Thematic PCA digunakan untuk mereduksi variabel pada setiap dimensi menjadi satu komponen utama pertama (PC1), yang selanjutnya digunakan sebagai indeks tematik. Kelima indeks tematik tersebut kemudian digabungkan menjadi indeks ketimpangan multidimensi dan diklasifikasikan ke dalam kategori rendah, sedang, dan tinggi berdasarkan pendekatan kuantil. Selanjutnya, dilakukan pemodelan klasifikasi menggunakan PLS-DA. Hasil penelitian menunjukkan bahwa PC1 mampu menjelaskan variansi data sebesar 51,46% pada dimensi ekonomi, 55,06% pada dimensi pendidikan, 61,71% pada dimensi kesehatan, 58,80% pada dimensi demografi, dan 55,87% pada dimensi infrastruktur. Model PLS-DA menghasilkan akurasi klasifikasi sebesar 90%, dengan nilai precision, recall, dan F1-score masing-masing sebesar 88,89%, 91,67%, dan 88,57%. Analisis Variable Importance in Projection (VIP) menunjukkan bahwa dimensi pendidikan dan kesehatan merupakan faktor paling dominan dalam membedakan tingkat ketimpangan wilayah. Hasil penelitian ini menunjukkan bahwa kombinasi Thematic PCA dan PLS-DA mampu memodelkan ketimpangan wilayah secara multidimensi dengan kinerja klasifikasi yang baik.