Methodology

Metodologi end-to-end

Pipeline lengkap dari pengumpulan data hingga dashboard. Transparan, dapat direplikasi, dan terhubung satu sama lain.

Pipeline 5 minggu

Dari data mentah ke keputusan publik

Minggu 1

#01

Data Inti & Business Understanding

Pengumpulan dataset 27 kabupaten/kota Jawa Barat. Penurunan KPI dari masalah kebijakan sosial-ekonomi.

jabar_week1_dataset_inti_27kabkota.csvKPI: TPT, kemiskinan, gini, IPG, RLS, HLS

Minggu 2

#02

Stakeholder & Business Question

Pemetaan 6 stakeholder (Strategic, Tactical, Managerial, Operational, Analytical, Public) + business question.

dim_dashboard_stakeholder.csv3 business question utama

Minggu 3

#03

ETL & Data Warehouse

Cleaning, validasi, integrasi multi-source. Pembentukan star schema (fact + dimensi).

fact_kinerja_ekonomi_tahunan.csvfact_inflasi_bulanan.csvdim_lokasi · dim_waktu_tahunan · dim_waktu_bulananmart_kinerja & mart_inflasi

Minggu 4

#04

Data Mining

Standardisasi, K-Means k=3 dengan silhouette evaluation, priority score komposit (SAW).

week4_evaluasi_model_kmeans.csvweek4_profil_cluster.csvweek4_hasil_data_mining_cluster_priority.csv

Minggu 5+

#05

Dashboard Stakeholder

Implementasi 9 halaman dashboard di Next.js + Recharts. Setiap stakeholder dengan visualisasi yang sesuai.

Landing + 9 halaman15+ visualisasiFilter interaktif

Data warehouse

Star schema dengan 2 fact + 4 dimensi

Dimensi

DIM

dim_lokasi

27 kab/kota + jenis_wilayah

DIM

dim_waktu_tahunan

2021–2025 · 5 baris

DIM

dim_waktu_bulanan

60 periode (5×12)

DIM

dim_dashboard_stakeholder

6 role

Fact

fact_kinerja_ekonomi_tahunan

measure: TPT · miskin · gini · IPG · RLS · HLS · indeks komposit

fact_inflasi_bulanan

measure: inflasi_yoy

Mart (output)

MART

mart_kinerja_ekonomi_tahunan

Denormalized view

MART

mart_inflasi_bulanan

Denormalized view

MART

data_ready_analisis_2024

Snapshot terkini

MART

data_dictionary_etl_dw

Dokumentasi

Data mining

K-Means clustering + SAW priority score

K-Means dipilih karena interpretable dan cocok untuk segmentasi wilayah berbasis indikator numerik. Silhouette score dipakai untuk evaluasi pemilihan k. Priority score dihitung dengan SAW dari 4 indikator inti (TPT, kemiskinan, gini, kerentanan).

K-Means objective

J = \sum_{i=1}^{k} \sum_{x \in C_i} \|x - \mu_i\|^2

Minimalkan total jarak kuadrat tiap titik x ke centroid μᵢ cluster-nya.

Silhouette score

s(i) = \frac{b(i) - a(i)}{\max\{a(i),\, b(i)\}}

a(i) = jarak rata-rata ke titik dalam cluster yang sama; b(i) = jarak ke cluster terdekat berikutnya.

SAW priority score

V_i = \sum_{j=1}^{n} w_j \cdot r_{ij}

rᵢⱼ = nilai ternormalisasi alternatif i pada kriteria j. Bobot: TPT 0.30, Miskin 0.30, Gini 0.20, Kerentanan 0.20.

Pearson correlation

\rho_{X,Y} = \frac{\text{cov}(X,Y)}{\sigma_X \sigma_Y}

Mengukur korelasi linier antar indikator. Range [-1, 1].

Evaluasi · K-Means

Silhouette score per k

❝Kenapa k=3 jadi pilihan terbaik?

k=3 dipilih karena memberikan silhouette tertinggi & jumlah cluster yang interpretable.

Profil · Cluster

Profil rata-rata cluster

❝Apa karakter khas tiap kelompok wilayah?

Radar 6 indikator. Gini diskala ×100.

Korelasi

Korelasi antar indikator

❝Indikator mana yang saling memengaruhi paling kuat?

Pearson correlation. Biru = positif, merah = negatif.

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

Prioritas Intervensi Sosial-Ekonomi

12 wilayah

TPT: 6,45%
Miskin: 9,90%
IPG: 87,69
Skor: 0,709

Relatif Stabil / Menengah

7 wilayah

TPT: 5,25%
Miskin: 7,92%
IPG: 91,96
Skor: 0,489

Wilayah Urban Produktif namun Tidak Merata

8 wilayah

TPT: 7,75%
Miskin: 5,27%
IPG: 93,63
Skor: 0,433

Priority score

Simple Additive Weighting (SAW)

Priority score = Σ wᵢ × normᵢ. Indikator yang lower-is-better (TPT, kemiskinan, gini) dinormalisasi terbalik, indikator higher-is-better (IPG) dinormalisasi langsung.

TPT

30%

lower-better

Kemiskinan

30%

lower-better

Gini

20%

lower-better

Kerentanan

20%

lower-better

Prinsip

Prinsip implementasi

1End-to-end terhubung: KPI → dataset → ETL → DW → ML → dashboard → insight → keputusan
2Tidak ada dashboard tanpa analisis data. Setiap chart adalah representasi hasil analisis
3Tidak hanya ML—konteks BI selalu dipertahankan. Insight harus berbasis data
4Setiap analisis menghasilkan rekomendasi yang dapat ditindaklanjuti
5Status data 'belum tersedia' ditampilkan apa adanya, tanpa imputasi tersembunyi

Traceability Minggu 1–4

Setiap output mingguan terhubung ke halaman dashboard

Empat laporan mingguan (Minggu 1–4) tidak berdiri sendiri. Setiap KPI, business question, fact/dim, dan hasil clustering dipakai langsung oleh halaman dashboard yang relevan.

Minggu 1

Topik, Business Understanding, KPI, Business Question, Dataset

Menetapkan tema Smart Economy, stakeholder 9 role, 9 KPI, 6 Business Question, dan dataset panel 27 kab/kota × 5 tahun × 12 bulan = 1.620 baris.

Output utama

▸Judul proyek + ruang lingkup 27 kab/kota Jawa Barat (2021–2025)
▸9 KPI: TPT, Kemiskinan, Inflasi YoY, Gini, IPG, RLS, HLS, Pendidikan Indeks Sederhana, Kemiskinan-Pengangguran Index
▸6 Business Question utama (TPT ekstrim, miskin+IPG rendah, pola inflasi, korelasi multi-indikator, kota vs kabupaten, prioritas kebijakan)
▸Stakeholder map 9 role + 6 jenis dashboard (strategic/tactical/managerial/operational/analytical/public)

Halaman dashboard yang menjawab

Landing — Hero & Indicators Analisis · 6 Business Question Beranda Dashboard

Artefak di repo

· /dataset/laporan/Laporan_Minggu_1_BI_Kelompok 3_D4 SIKC 3B.pdf
· /dataset/jabar_week1_dataset_inti_27kabkota.csv

Minggu 2

Eksplorasi Data (EDA), Analytical Question, Insight Awal

Statistik deskriptif, distribusi, tren 2021–2025, korelasi pendidikan↔kemiskinan, perbandingan kota vs kabupaten, dan top-5 wilayah kerentanan ekonomi 2024.

Output utama

▸Statistik deskriptif 9 variabel (mean, median, min, max)
▸Tren rata-rata TPT 9.40% → 6.52% & kemiskinan 8.97% → 7.60%
▸Top-5 wilayah rentan 2024: Kuningan, Indramayu, Cirebon, Tasikmalaya (kota), Bandung Barat
▸Korelasi pendidikan ↔ kemiskinan ≈ -0.75 (negatif kuat)
▸Insight kota vs kabupaten: kota unggul pendidikan, namun TPT & gini lebih tinggi

Halaman dashboard yang menjawab

Q1 · TPT Ranking Q4 · Korelasi Indikator Q5 · Kota vs Kabupaten Data Quality

Artefak di repo

· /dataset/laporan/Laporan_Minggu_2_BI_Kelompok 3_D4 SIKC3B.pdf

Minggu 3

Preprocessing (ETL) dan Perancangan Data Warehouse

Star schema multi-fact dengan conformed dimension lokasi & waktu. Pemisahan grain tahunan (135 baris) dan bulanan (1.620 baris). Snapshot data_ready_analisis_2024 sebagai input data mining.

Output utama

▸Star schema: 2 fact + 4 dimensi + 2 mart
▸fact_kinerja_ekonomi_tahunan (135 baris) · fact_inflasi_bulanan (1.620 baris)
▸dim_lokasi (27) · dim_waktu_tahunan (5) · dim_waktu_bulanan (60) · dim_dashboard_stakeholder (6)
▸mart_kinerja_ekonomi_tahunan + mart_inflasi_bulanan untuk dashboard
▸data_ready_analisis_2024 (27 baris, tanpa missing pada KPI inti)

Halaman dashboard yang menjawab

Metodologi · Star Schema Data Quality · Coverage

Artefak di repo

· /dataset/laporan/Laporan_Minggu_3_BI_Kelompok 3_D4 SIKC3B.pdf
· /dataset/Minggu3_Final_Laporan_dan_Data/data_siap_dw/
· /dataset/Kode_Python_Minggu_3_dan_4_BI_Kelompok3/

Minggu 4

Analisis Data Mining, Evaluasi, dan Interpretasi

K-Means clustering pada data_ready_analisis_2024 (27 wilayah, 9 fitur). Evaluasi k=2..6, k=3 dipilih (silhouette 0.303) untuk interpretasi operasional. Skor prioritas SAW untuk ranking wilayah.

Output utama

▸3 cluster: Prioritas Intervensi Sosial-Ekonomi (12) · Urban Produktif Tidak Merata (8) · Relatif Stabil (7)
▸Top-10 priority score: Kuningan, Bandung Barat, Cirebon, Indramayu, Garut, Cianjur, Purwakarta, Subang, Karawang, Majalengka
▸Silhouette per k = {2: 0.375, 3: 0.303, 4: 0.305, 5: 0.273, 6: 0.237}
▸Bobot SAW: TPT 0.20, Miskin 0.25, Gini 0.10, Low-Edu 0.20, Low-IPG 0.10, Rentan 0.15
▸Decision per cluster + rekomendasi 5 stakeholder (Bappeda, Dinsos, Disnaker, Pemkab/Pemkot, Tim BI)

Halaman dashboard yang menjawab

Ringkasan Eksekutif · Top-10 Q6 · Prioritas Kebijakan Strategic Dashboard Analytical · Cluster Map

Artefak di repo

· /dataset/laporan/Laporan_Minggu_4_BI_Kelompok_3_D4_SIKC3B_Lengkap.pdf
· /dataset/Minggu 4/output_data_mining/
· /dataset/Minggu 4/Kode_Python_Minggu_4_Data_Mining.ipynb

Matriks Business Question

6 pertanyaan utama (Minggu 1) → jawaban di dashboard

Kode	Pertanyaan	Jenis	Visual Kunci	Jawaban di
BQ1	Kabupaten/kota mana yang memiliki tingkat pengangguran tertinggi dan terendah pada periode 2021–2025?	Descriptive	Ranking bar TPT tertinggi & terendah	Buka →
BQ2	Wilayah mana yang memiliki tingkat kemiskinan tinggi sekaligus kualitas pembangunan manusia relatif rendah?	Diagnostic	Scatter quadrant analysis	Buka →
BQ3	Bagaimana pola inflasi bulanan antarwilayah dan kapan tekanan harga tertinggi muncul?	Trend	Inflation heatmap + peak callout	Buka →
BQ4	Apakah terdapat hubungan antara pendidikan, pembangunan gender, pengangguran, dan kemiskinan?	Correlation	Correlation matrix heatmap	Buka →
BQ5	Apakah kota secara umum memiliki performa smart economy yang lebih baik daripada kabupaten?	Comparative	Komparasi grouped bar + tipologi card	Buka →
BQ6	Wilayah mana yang harus menjadi prioritas kebijakan smart economy berdasarkan gabungan KPI utama?	Prioritization	Ranking bar SAW + treemap cluster	Buka →

Interpretasi Cluster (Minggu 4)

3 kelompok wilayah → keputusan & stakeholder target

K-Means k=3 (silhouette 0.303) memetakan 27 kab/kota ke tiga profil. Setiap cluster punya rekomendasi keputusan dan stakeholder target spesifik agar dashboard tidak bersifat one-for-all.

Prioritas Intervensi Sosial-Ekonomi

12 wilayah

Didominasi kabupaten dengan kemiskinan tinggi, pendidikan relatif rendah, dan skor prioritas tertinggi.

Decision

Fokus program pengurangan kemiskinan, peningkatan akses pendidikan, pelatihan kerja, dan perlindungan sosial.

Stakeholder target

BappedaDinsosDisnakerPemkab terkait

Wilayah Urban Produktif namun Tidak Merata

8 wilayah

Didominasi kota dengan pendidikan & IPG tinggi, namun TPT dan ketimpangan (gini) cenderung tinggi.

Decision

Pemerataan kesempatan kerja, pengendalian ketimpangan, dan link-and-match tenaga kerja.

Stakeholder target

PemkotDisnakerTPIDBappeda

Relatif Stabil / Menengah

7 wilayah

Tekanan ekonomi relatif lebih rendah; campuran kota-kabupaten dengan capaian indikator menengah.

Decision

Monitoring berkala, menjaga daya tahan ekonomi, dan mencegah penurunan indikator.

Stakeholder target

Pemkab/PemkotBappedaTim BI

Tools & library

Stack teknologi

ETL · Python

· pandas
· numpy
· csv-parse

Data mining

· scikit-learn (KMeans)
· matplotlib

Frontend

· Next.js 16
· React 19
· Tailwind v4

Visualisasi

· Recharts
· Framer Motion
· Lucide