Analytical Dashboard
Untuk Tim BI dan Data Analyst. Eksplorasi pola data lanjutan: cluster, prioritas skor, dan sinyal anomali untuk rekomendasi berbasis data.
- Clustering wilayah
- Priority score
- Korelasi indikator
- Anomali data
Keputusan yang didukung
Mendukung pendalaman analisis untuk rekomendasi berbasis data.
Untuk siapa halaman ini?
EksplorasiTim Business Intelligence & Data Analyst Pemprov Jabar
Pendukung & turunan
Contoh pemakaian
Eksplorasi pola lanjutan untuk skenario simulasi kebijakan & rekomendasi berbasis cluster.
Rata-rata Skor Prioritas
0,731
Top Cluster Intervensi
Prioritas Intervensi Sosial-Ekonomi
Bottom Cluster Stabil
Prioritas Intervensi Sosial-Ekonomi
Rentang Skor
0,648 - 0,840
- 1Dalami karakteristik cluster prioritas tinggi sebagai dasar model intervensi.
- 2Identifikasi outlier indikator untuk investigasi lanjutan.
- 3Sediakan skenario intervensi berbasis segmentasi cluster.
Trend · Multi-line
Tren tahunan indikator inti
❝Apakah kondisi sosial-ekonomi membaik dalam 5 tahun terakhir?
TPT, kemiskinan, gini (×100), IPG provinsi.
Area · Inflasi
Inflasi YoY rata-rata
❝Kapan tekanan harga paling memuncak?
12 periode terakhir.
Scatter · Cluster
Cluster K-Means (Kemiskinan vs TPT)
❝Bagaimana wilayah terkelompok di ruang dua dimensi?
Bubble = priority score.
Radar
Profil cluster (radar)
❝Apa karakter pembeda tiap cluster?
6 indikator rata-rata.
Korelasi
Korelasi indikator (Pearson)
❝Indikator mana yang saling memengaruhi paling kuat?
Biru = positif, merah = negatif.
Distribution
Distribusi kemiskinan per cluster
❝Seberapa lebar variasi kemiskinan dalam tiap cluster?
Strip plot dengan jitter.
Data storytelling
Insight & keputusan berbasis data
K-Means k=3 menghasilkan silhouette score 0.51—pemisahan cluster cukup jelas. Cluster prioritas tertinggi punya kerentanan rata-rata >0.7.
Indikator TPT, kemiskinan, dan kerentanan punya korelasi positif tinggi (>0.6); IPG berkorelasi negatif dengan kemiskinan.
Segmentasi 3-cluster cukup interpretable untuk skenario kebijakan: high-priority, medium, stable. Outlier perlu investigasi terpisah.
Tim BI: dalami karakteristik cluster prioritas tinggi sebagai basis model intervensi. Sediakan skenario simulasi dampak kebijakan berbasis segmentasi cluster.
Top 5 dengan detail kerentanan
| Rank | Wilayah | Cluster | TPT | Miskin | Skor |
|---|---|---|---|---|---|
| #1 | Kabupaten Kuningan | Prioritas Intervensi Sosial-Ekonomi | 7,78% | 11,88% | 0,840 |
| #2 | Kabupaten Bandung Barat | Prioritas Intervensi Sosial-Ekonomi | 6,70% | 10,49% | 0,798 |
| #3 | Kabupaten Cirebon | Prioritas Intervensi Sosial-Ekonomi | 6,74% | 11,00% | 0,786 |
| #4 | Kabupaten Indramayu | Prioritas Intervensi Sosial-Ekonomi | 6,25% | 11,93% | 0,762 |
| #5 | Kabupaten Garut | Prioritas Intervensi Sosial-Ekonomi | 6,96% | 9,68% | 0,726 |