BI Jabar

Smart Province Analytics

Analisis Mendalam

Analisis Bisnis 2.4 Business Question

Enam pertanyaan analitis utama mengenai pengangguran, kemiskinan, inflasi, korelasi indikator, performa kota vs kabupaten, dan prioritas kebijakan smart economy.

Daftar Pertanyaan Analitis
Q1 · Analisis Pengangguran

Kabupaten/kota mana yang memiliki tingkat pengangguran tertinggi dan terendah?

Periode analisis: 2021-2025. Focus pada data terbaru (2024) dengan perbandingan terhadap rata-rata provinsi.

Ranking · TPT Tinggi

5 Wilayah TPT Tertinggi (2024)

❝Dimana pusat pengangguran terkonsentrasi?

Persentase tenaga kerja menganggur.

Ranking · TPT Rendah

5 Wilayah TPT Terendah (2024)

❝Wilayah mana yang paling berhasil menyerap tenaga kerja?

Persentase tenaga kerja menganggur terendah.

Temuan Utama

Kota Cimahi mencatat TPT tertinggi (8,97%), sementara Kabupaten Pangandaran memiliki TPT terendah (1,58%). Gap antara tertinggi dan terendah mencapai 7,39%, menunjukkan disparitas signifikan dalam penyerapan tenaga kerja antar wilayah.

Q2 · Analisis Kemiskinan & Gender

Wilayah mana yang memiliki tingkat kemiskinan tinggi sekaligus kualitas pembangunan manusia relatif rendah?

Scatter plot memetakan hubungan antara kemiskinan (X) dan IPG (Y). Quadrant kiri-atas (merah) menunjukkan "danger zone": kemiskinan tinggi + IPG rendah.

Scatter · Quadrant Analysis

Kemiskinan vs IPG (2024)

❝Di manakah kemiskinan dan ketimpangan gender berkumpul?

Bubble di atas garis horizontal = IPG di atas rata-rata. Di kanan garis vertikal = kemiskinan di atas rata-rata.

Danger Zone

Wilayah dengan kemiskinan di atas rata-rata dan IPG di bawah rata-rata

  • 1. Kabupaten Indramayu11,9% · IPG 89,8
  • 2. Kabupaten Kuningan11,9% · IPG 88,0
  • 3. Kabupaten Cirebon11,0% · IPG 85,4
  • 4. Kabupaten Majalengka10,8% · IPG 88,0
  • 5. Kabupaten Bandung Barat10,5% · IPG 81,6

Total 9 wilayah memerlukan intervensi prioritas ganda.

Q3 · Analisis Inflasi

Bagaimana pola inflasi bulanan antarwilayah dan kapan tekanan harga tertinggi muncul?

Heatmap · Spasial-Temporal

Heatmap Inflasi YoY

❝Kota mana paling rentan terhadap goncangan harga?

Biru = inflasi tinggi, Merah = deflasi. 10 wilayah dengan data terlengkap × 12 bulan terakhir.

Jan '25
Feb '25
Mar '25
Apr '25
Mei '25
Jun '25
Jul '25
Agu '25
Sep '25
Okt '25
Nov '25
Des '25
Kabupaten Bandung
–
-0.5
0.8
1.6
1.3
1.4
1.6
1.5
1.9
2.2
1.9
2.1
Kabupaten Majalengka
–
-0.2
0.4
1.7
2.1
2.2
2.5
2.4
2.7
3.0
3.0
2.9
Kabupaten Subang
–
-1.0
0.5
1.3
1.7
2.3
1.9
1.5
2.0
2.2
2.0
2.1
Kota Bandung
–
-0.5
0.6
1.5
1.2
1.5
2.0
1.7
2.1
2.5
2.6
2.7
Kota Bekasi
–
0.1
0.9
1.8
1.4
1.7
1.7
1.6
2.2
2.8
3.0
3.0
Kota Bogor
–
-0.2
0.9
1.9
1.6
2.2
2.6
2.4
2.7
3.1
2.9
2.9
Kota Cirebon
–
-1.0
0.2
0.8
1.0
1.8
2.5
2.2
2.6
2.9
2.9
2.9
Kota Depok
–
-0.3
0.9
1.9
1.6
2.0
2.5
1.9
2.1
2.5
2.4
2.5
Kota Sukabumi
–
0.8
1.8
2.7
2.7
3.3
3.6
3.5
3.9
3.9
3.6
3.1
Kota Tasikmalaya
–
-0.0
0.7
1.4
1.6
1.8
2.0
1.8
2.2
2.7
2.7
2.7
Skala
-1.0%→3.9%

Puncak Tekanan Harga

Okt 2025

Rata-rata inflasi mencapai 2,78% (maksimum 3,87%)

Pola Musiman

  • ▸Tekanan harga cenderung meningkat di akhir tahun (Q4)
  • ▸Kota besar (Bandung, Bekasi) lebih volatil dari kabupaten
  • ▸Deflasi sporadis terjadi di beberapa wilayah pesisir
Q4 · Analisis Korelasi

Apakah terdapat hubungan antara pendidikan, pembangunan gender, pengangguran, dan kemiskinan?

Matriks korelasi Pearson mengukur kekuatan hubungan linear antar indikator. Nilai mendekati 1 = korelasi positif kuat, -1 = korelasi negatif kuat.

Korelasi · Pearson

Matriks Korelasi Indikator

❝Indikator mana yang saling memengaruhi paling kuat?

Biru = korelasi positif (naik bersama), Merah = korelasi negatif (berlawanan).

TPT
Miskin
Gini
IPG
RLS
HLS
TPT
1.00
-0.18
0.41
0.10
0.31
0.07
Miskin
-0.18
1.00
-0.36
-0.50
-0.73
-0.67
Gini
0.41
-0.36
1.00
0.50
0.73
0.55
IPG
0.10
-0.50
0.50
1.00
0.65
0.58
RLS
0.31
-0.73
0.73
0.65
1.00
0.82
HLS
0.07
-0.67
0.55
0.58
0.82
1.00

Korelasi Positif Kuat

TPT ↔ Kemiskinan

Pengangguran dan kemiskinan bergerak searah

Korelasi Negatif Kuat

IPG ↔ Kemiskinan

IPG tinggi = kemiskinan rendah

Insight Penting

RLS ↔ HLS

Harapan lama sekolah laki & perempuan berkorelasi kuat

Q5 · Analisis Tipologi Wilayah

Apakah kota secara umum memiliki performa smart economy yang lebih baik daripada kabupaten?

Komparasi · Tipologi

Perbandingan Rata-rata Indikator

❝Mana yang lebih unggul: Kota atau Kabupaten?

Bandingkan performa 9 Kota vs 18 Kabupaten. Indikator dengan icon ↓ lebih rendah = lebih baik.

Kota (9)
Kabupaten (18)

9

Kota

18

Kabupaten

Kesimpulan Komparasi

  • TPTKabupaten lebih baik
  • KemiskinanKota lebih baik
  • GiniKabupaten lebih baik
  • IPGKota lebih baik
  • RLSKota lebih baik
  • HLSKota lebih baik
Q6 · Analisis Prioritas

Wilayah mana yang harus menjadi prioritas kebijakan smart economy berdasarkan gabungan KPI utama?

Priority Score dihitung menggunakan metode SAW (Simple Additive Weighting) dengan bobot: TPT 30%, Kemiskinan 30%, Gini 20%, Kerentanan 20%.

SPK · SAW Method

Top 10 Priority Score

❝Wilayah mana yang harus didahulukan untuk intervensi?

Skor komposit 0-1, semakin tinggi semakin prioritas.

Top Priority

Kabupaten Kuningan

Skor: 0,840

TPT: 7,78%

Kemiskinan: 11,88%

Cluster: Prioritas Intervensi Sosial-Ekonomi

Distribusi Cluster

  • ● Prioritas Tinggi0 wilayah
  • ● Moderat0 wilayah
  • ● Stabil0 wilayah

Data storytelling

Insight & keputusan berbasis data

01Apa yang terjadi

Enam analisis menunjukkan disparitas signifikan antar wilayah di Jabar: TPT bervariasi 4-12%, 5+ wilayah dalam 'danger zone' kemiskinan-IPG, inflasi puncak di Q4, korelasi kuat TPT-kemiskinan (0.7+), kota umumnya unggul di IPG namun lebih volatil di inflasi, dan 10 wilayah prioritas terkonsentrasi di pesisir utara/sentra industri.

02Mengapa terjadi

Faktor struktural: ekonomi berbasis informal/pertanian, akses pendidikan & kesehatan terbatas, ketimpangan gender, dan ketergantungan sektor primer yang rentan terhadap fluktuasi harga.

03Dampak

Tanpa intervensi terpadu, gap antar wilayah memperlebar, target RPJMD 2026 terancam, dan potensi konflik sosial meningkat di wilayah marginal.

04Keputusan & rekomendasi

Prioritaskan 5 wilayah dengan TPT tertinggi + danger zone kemiskinan-IPG untuk paket intervensi terpadu (ketenagakerjaan + sosial + pendidikan + stabilisasi harga). Bentuk task force lintas OPD dengan tracking KPI bulanan.