ANALISIS DATA EKONOMI DAN KEUANGAN PUBLIK DI INDONESIA MENGGUNAKAN METODE DATA MINING
Abstract
Penelitian ini menggabungkan empat studi kasus dalam analisis data publik Indonesia menggunakan pendekatan data mining. Tujuan dari penelitian ini adalah mengeksplorasi pola tersembunyi dari data nyata yang mencakup penyerapan anggaran kementerian tahun 2012, perkembangan UMKM periode 2015–2018, struktur penggajian di Direktorat Jenderal Pajak, serta saham sektor perbankan dalam indeks LQ45. Metode yang digunakan meliputi K-Means Clustering untuk pengelompokan berdasarkan kemiripan fitur, serta Decision Tree untuk klasifikasi efektivitas penyerapan anggaran. Dataset diperoleh dari sumber resmi seperti Seknas FITRA, Kementerian Keuangan, BPS, dan Bursa Efek Indonesia. Hasil analisis menunjukkan bahwa pendekatan data mining mampu mengelompokkan entitas berdasarkan karakteristik dominan, serta menemukan segmentasi yang relevan untuk mendukung pengambilan kebijakan berbasis data. Temuan ini menegaskan pentingnya pemanfaatan data mining dalam menganalisis data publik secara komprehensif dan efisien.
References
Halim, A. (Ed.). (2012). Manajemen Keuangan Sektor Publik: Problematika Penerimaan dan Pengeluaran Pemerintah. Jakarta: Salemba Empat.
Sekretariat Nasional FITRA. (2012). Kinerja Anggaran Kementerian/Lembaga Tahun 2012. Jakarta: Seknas FITRA.
Han, J., Pei, J., & Kamber, M. (2011). Data Mining: Concepts and Techniques (3rd ed.). San Francisco: Morgan Kaufmann.
Quinlan, J. R. (1993). C4.5: Programs for Machine Learning. San Mateo, CA: Morgan Kaufmann.
Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651–666.
BPS. (2017). Statistik UMKM Indonesia. Kementerian Koperasi dan UKM Republik Indonesia. Buku: Manajemen Keuangan untuk Wirausaha Mula. Han, J., Pei, J., & Kamber, M. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann.
Subroto, G. (2022). Pajak dan Pendanaan Peradaban Indonesia. Jakarta: Penerbit DJP.
Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning. Springer.
Junaedi, D. (2020). Penerapan Algoritma K-Means pada Pengelompokan Data Gaji Pegawai. Jurnal Informatika dan Sistem Informasi, 16(2), 88–97.
ugiyono. (2017). Metode Penelitian Kuantitatif, Kualitatif dan R&D. Bandung: Alfabeta.
McKinney, W. (2022). Python for Data Analysis (3rd ed.). O'Reilly Media.
Scikit-learn Developers. (2024). scikit-learn: Machine Learning in Python. https://scikit-learn.org
Helianthusonfri, J. (2021). The Dividend Investor: Cara untuk selalu cuan dari dividen saham. Jakarta: Elex Media Komputindo.
Referensi Teknologi (jika kamu pakai):
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90–95.
McKinney, W. (2010). Data structures for statistical computing in Python. In Proceedings of the 9th Python in Science Conference (pp. 51–56).
