Ketimpangan Gender 38 Provinsi Dipetakan, SVM Paling Akurat

Cekricek.id — Akurasi 89,47 persen menjadi angka tertinggi dalam uji lima metode pembelajaran mesin untuk memetakan ketimpangan gender di 38 provinsi Indonesia. Angka itu dicapai Support Vector Machine atau SVM. Regresi logistik menyusul dengan 86,84 persen. Tiga metode pengelompokan tanpa label tertinggal jauh, paling tinggi hanya 39,47 persen.

Pengujian itu dilaporkan Maulida Nurhidayati, Yunaita Rahmawati, dan Ajeng Wahyuni dari Universitas Islam Negeri Kiai Ageng Muhammad Besari Ponorogo. Artikel mereka berjudul Classification of Gender Inequality in Indonesia: Unsupervised and Supervised Learning Approaches. Naskah itu terbit di Jurnal Matematika UNAND Volume 15 Nomor 1, halaman 108–122, edisi Januari 2026.

Data yang dipakai berasal dari Badan Pusat Statistik (BPS) untuk tahun 2024. Satuan analisisnya 38 provinsi, dan yang diukur adalah tingkat ketimpangan gender tiap provinsi. Naskah diterima 31 Juli 2025, disetujui 20 Januari 2026, dan tersedia daring 31 Januari 2026. Pengolahannya memakai perangkat lunak R dengan lima pustaka: cluster, factoextra, kohonen, nnet, dan e1071.

Indeks 0,421 dan Ketimpangan Gender Tahun 2024

Angka nasional lebih dulu. Menurut naskah itu, Indeks Ketimpangan Gender (IKG) nasional 2024 tercatat 0,421. Nilainya turun 0,026 poin dari 0,447 setahun sebelumnya. Penulis menyebut penurunan ini perbaikan tercepat dalam enam tahun terakhir. Besarnya lebih dari dua kali lipat capaian 2023.

Skala indeks itu bergerak dari 0 sampai 1. Nilai 0 berarti setara sempurna, nilai 1 berarti timpang total. IKG disusun dari 3 dimensi, yaitu kesehatan reproduksi, pemberdayaan, dan pasar tenaga kerja. Perbaikan terbesar pada 2024 terjadi di dimensi pasar tenaga kerja.

Tingkat partisipasi angkatan kerja perempuan naik 1,90 poin, dari 54,52 persen pada 2023 menjadi 56,42 persen pada 2024. Pada laki-laki, kenaikannya hanya 0,40 poin. Namun tidak semua provinsi membaik. Lima provinsi justru mencatat IKG naik, yakni Maluku, Kalimantan Timur, DI Yogyakarta, Riau, dan Kalimantan Tengah.

Baca juga Ibu Tunggal Bercerai dan Ditinggal Mati, Beda Jalur Kemiskinan

Tiga provinsi mencatat penurunan IKG paling tajam, yaitu DKI Jakarta, Nusa Tenggara Barat, dan Kepulauan Bangka Belitung. Tetapi angka rendah tidak otomatis kabar baik. Maulida Nurhidayati dan dua rekannya memberi catatan soal itu. “IKG yang rendah tidak selalu mencerminkan tingkat kesetaraan yang baik, tetapi dapat menunjukkan partisipasi kedua gender yang sama-sama rendah,” tulis mereka.

Contohnya ada di 2 provinsi Indonesia Timur, Papua dan Nusa Tenggara Timur. Skor IKG keduanya relatif rendah, tetapi partisipasi ekonomi dan pendidikannya juga rendah. Sebaliknya, 3 daerah yaitu Bali, Yogyakarta, dan DKI Jakarta memiliki skor IKG tinggi. Menurut naskah, skor itu mencerminkan kesenjangan nyata dalam pembagian manfaat pembangunan antargender.

Empat Kelas dari Batas 0,3805 hingga 0,5122

Langkah pertama penelitian adalah membagi 38 provinsi ke dalam empat kelas ketimpangan gender. Pembaginya kuartil sebaran IKG. Provinsi dengan IKG paling tinggi 0,3805 masuk kelas sangat rendah. Kelas rendah berada di atas 0,3805 hingga 0,458. Kelas sedang di atas 0,458 hingga 0,5122. Di atas 0,5122, provinsi masuk kelas tinggi.

Hasil pembagian itu nyaris seimbang. Sembilan provinsi masuk kelas sangat rendah, sembilan kelas rendah, sebelas kelas sedang, dan sembilan kelas tinggi. Dalam persentase, masing-masing 23,7 persen, 23,7 persen, 28,9 persen, dan 23,7 persen. Naskah tidak mencantumkan daftar nama provinsi di tiap kelas.

Pilihan kuartil punya alasan. Menurut penulis, pendekatan itu dipilih untuk menjaga keseimbangan kelas karena sampelnya terbatas, hanya 38. Mereka juga mengakui satu kekurangan. “Penelitian ini mengakui bahwa analisis sensitivitas terhadap batas kuartil belum dilakukan,” tulis Nurhidayati, Rahmawati, dan Wahyuni. Karena itu, menurut mereka, pengelompokan sepenuhnya bertumpu pada pendekatan kuantil sebaran IKG.

Sembilan Variabel dan IPM Perempuan 70,57

Empat kelas tadi menjadi variabel terikat. Variabel bebasnya diambil dari komponen penyusun IKG. Tabel deskriptif naskah memuat sembilan variabel. Tiga berpasangan perempuan dan laki-laki, yaitu IPM, partisipasi angkatan kerja, dan rata-rata lama sekolah. Tiga lainnya khusus perempuan: keterlibatan di parlemen, tenaga profesional, dan sumbangan pendapatan.

Rata-rata IPM perempuan di 38 provinsi 70,57. Rata-rata IPM laki-laki 77,36. Rentangnya lebar. IPM perempuan terendah 51,75 dan tertinggi 83,19. Pada laki-laki, rentangnya 59,24 hingga 86,21. Penulis membaca beda rata-rata itu sebagai kesenjangan gender dalam capaian pembangunan manusia.

Angka parlemen lebih tajam. Rata-rata keterwakilan perempuan di parlemen hanya 18,44 persen. Simpangan bakunya 7,26, yang menurut penulis menunjukkan ketimpangan antardaerah. Provinsi terendah mencatat 8,57 persen, tertinggi 45,24 persen. Naskah tidak menyebut nama kedua provinsi itu. Sebelum dianalisis, semua data distandardisasi karena satuannya berbeda-beda.

Partisipasi Kerja 56,82 Persen Lawan 84,08 Persen

Rata-rata tingkat partisipasi angkatan kerja perempuan 56,82 persen. Laki-laki 84,08 persen. Sebaran perempuan juga lebih lebar, dengan simpangan baku 7,58. Simpangan baku laki-laki hanya 2,60. Menurut penulis, ketimpangan gender dalam partisipasi kerja lebih bervariasi antardaerah pada perempuan, sedangkan sebaran laki-laki lebih seragam.

Rentangnya mempertegas beda itu. Partisipasi kerja perempuan terendah 47,05 persen dan tertinggi 85,71 persen. Pada laki-laki, angkanya 76,62 hingga 90,37 persen. Sumbangan pendapatan perempuan rata-rata 33,84 persen. Penulis menafsirkannya sebagai hanya sepertiga perempuan yang menyumbang langsung pada pendapatan rumah tangga atau perekonomian.

Di bidang pendidikan, rata-rata lama sekolah perempuan 8,61 tahun. Laki-laki 9,22 tahun. Angka terendah perempuan 3,40 tahun, laki-laki 5,35 tahun. Tertinggi 11,19 tahun untuk perempuan dan 11,83 tahun untuk laki-laki. Menurut penulis, akses pendidikan relatif setara, tetapi waktu belajar formal perempuan tetap lebih pendek.

Satu angka dalam tabel itu janggal. Variabel perempuan sebagai tenaga profesional rata-rata 49,57 persen, dengan rentang 24,01 hingga 59,82 persen. Namun naskah menafsirkan angka yang sama sebagai hampir separuh perempuan masih melahirkan di luar fasilitas kesehatan. Dua pengertian itu tidak cocok, dan naskah tidak menjelaskan mana yang dimaksud.

K-Means Hanya Tepat 23,68 Persen

Metode pertama yang diuji adalah K-Means. Metode ini membagi data ke dalam kelompok dengan meminimalkan jarak tiap data ke titik pusat kelompoknya. Hasilnya paling lemah. Kecocokan kelompok bentukan K-Means dengan kelas ketimpangan gender asli hanya 23,68 persen. Presisinya 21,04 persen, recall 25,00 persen, dan F1 22 persen.

Kelas ketimpangan sedang sama sekali tidak tertangkap, dengan ketepatan 0 persen. Tiga kelas lain masing-masing 33 persen. “Tingkat akurasi yang rendah ini menunjukkan bahwa metode K-Means belum mampu menangkap struktur alami data,” tulis Nurhidayati dan rekan. Mereka menyebut 3 kemungkinan sebab: kelas yang tumpang tindih, sebaran data yang tidak terpisah jelas, atau jumlah kelompok yang tidak mencerminkan kerumitan data.

SOM dan Hibrida Sama-sama 39,47 Persen

Metode kedua, Self-Organizing Map atau SOM, memetakan data berdimensi banyak ke bidang dua dimensi. Akurasinya naik menjadi 39,47 persen. Presisinya 35,38 persen, recall 37,63 persen, dan F1 34 persen. Kelas sedang kini paling baik tertangkap, dengan kecocokan 73 persen. Kelas rendah justru jatuh ke 0 persen.

Metode ketiga menggabungkan keduanya. Data dipetakan dulu dengan SOM, lalu hasil proyeksinya dikelompokkan dengan K-Means. Akurasinya sama, 39,47 persen. Bedanya ada di presisi 52,08 persen, recall 39,14 persen, dan F1 39,01 persen. Karena rata-rata ketiga ukuran itu lebih tinggi, penulis menilai metode hibrida lebih baik daripada SOM.

Baca juga Deforestasi Sanggau Dipetakan ke Lima Klaster Kecamatan

Angka per kelas metode hibrida lebih merata, tetapi tetap rendah. Kecocokan kelas sangat rendah dan kelas rendah masing-masing 44 persen, kelas sedang 45 persen. Kelas tinggi hanya 22 persen, meski presisinya 100 persen. Menurut penulis, visualisasi hasilnya masih menunjukkan kelompok yang saling beririsan.

Ada selisih angka di naskah. Tabel ringkasan akurasi mencantumkan SOM dan SOM-KMeans masing-masing 36,84 persen. Padahal tabel hasil tiap metode beserta uraiannya menyebut 39,47 persen untuk keduanya. Naskah tidak menjelaskan asal selisih tersebut, dan kesimpulannya tetap memakai perbandingan presisi, recall, dan F1.

SVM Tepat 89,47 Persen, Regresi Logistik 86,84 Persen

Dua metode berikutnya bekerja dengan label kelas yang sudah ditetapkan. SVM mencari batas pemisah optimal antarkelas. Dalam penelitian ini, SVM memakai kernel radial basis function (RBF). Hasilnya, 89,47 persen data terklasifikasi tepat ke kelas ketimpangan gender yang sesuai. Presisi, recall, dan F1 sama-sama 88,89 persen.

Rincian per kelas lebih tegas. Kelas sangat rendah, sedang, dan tinggi tertebak 100 persen. Kelas rendah hanya 56 persen. Dari sembilan provinsi kelas rendah, lima tertebak tepat. Empat sisanya terbagi ke kelas sedang dan kelas tinggi, masing-masing dua provinsi, menurut tabel hasil SVM.

Regresi logistik menyusul dengan akurasi 86,84 persen. Presisinya 88,75 persen, recall 87,12 persen, dan F1 87,49 persen. Hanya kelas sangat rendah yang tertebak 100 persen. Kelas rendah 89 persen, kelas sedang 82 persen, dan kelas tinggi 78 persen. Selisih akurasinya dengan SVM tipis.

Baca juga Model MRI Alzheimer Buatan UI Menunjuk Hipokampus dan Amigdala

Penulis menjelaskan keunggulan SVM dari sifat datanya. Menurut mereka, SVM mampu menangani data nonlinear dan berdimensi tinggi secara optimal. Di bagian landasan teori, regresi logistik disebut terbatas dalam menangani hubungan nonlinear dan multikolinearitas antarvariabel. Butir kedua kesimpulan naskah menetapkan SVM sebagai metode terbaik dengan akurasi 89,47 persen.

5 Kesimpulan tentang Ketimpangan Gender

Naskah ditutup dengan 5 butir kesimpulan. Butir pertama menyatakan SOM dan SOM-KMeans unggul dibanding K-Means dalam mengelompokkan wilayah. Butir ketiga menyebut SVM model terbaik, baik pada pendekatan tanpa label maupun dengan label. Padahal dari 5 metode, SVM hanya diuji pada pendekatan dengan label.

Menurut penulis, hasil penelitian dapat menjadi dasar bagi pemerintah daerah dan pusat. Tujuannya merumuskan kebijakan berbasis wilayah yang lebih tepat sasaran dalam menangani ketimpangan gender. Mereka juga menyebut gabungan 2 pendekatan menghasilkan kerangka pemodelan yang lebih menyeluruh. Naskah ini mengklaim mengisi celah literatur dengan memakai kedua pendekatan sekaligus.

Beberapa hal tidak dijelaskan naskah. Tidak ada keterangan pembagian data latih dan data uji dari 38 provinsi untuk SVM dan regresi logistik. Nilai parameter kernel RBF juga tidak dicantumkan. Jumlah 4 kelompok pada K-Means dan SOM pun tidak diberi alasan tersendiri di bagian metode.

Angka terakhirnya 56 persen, ketepatan SVM pada kelas ketimpangan gender rendah dan yang terlemah dari 4 kelas. Naskah tidak menjelaskan mengapa justru kelas itu yang paling sulit ditebak.