Pendahuluan: Kemiskinan Tak Lagi Sekadar Angka

Kemiskinan di Indonesia selama ini diukur lewat pendekatan ekonomi—berapa pengeluaran rumah tangga dibanding garis kemiskinan. Namun, pendekatan ini mengabaikan dimensi spasial, seperti keterpencilan geografis, akses infrastruktur, dan kualitas lingkungan. Paper ini menantang status quo dengan memperkenalkan metode baru: Relative Spatial Poverty Index (RSPI), yaitu indeks kemiskinan berbasis penginderaan jauh dan data besar geospasial.

Latar Belakang: Mengapa Perlu Indeks Kemiskinan Spasial?

Data kemiskinan Indonesia yang dikumpulkan melalui SUSENAS cenderung mahal, lambat, dan kurang rinci. Sebagai contoh, pada Maret 2021, 10,14% atau sekitar 27,5 juta penduduk Indonesia tergolong miskin. Namun, angka ini belum mencerminkan variasi spasial secara detail—padahal kebijakan yang efektif harus diarahkan secara lokal.

Studi Kasus: Jawa Timur sebagai Provinsi Paling Miskin

Pada 2020, Jawa Timur mencatat jumlah penduduk miskin terbanyak di Indonesia: 4,4 juta jiwa (11,09%). Kemiskinan paling parah ditemukan di Pulau Madura:

• Sampang: 22,78%

• Bangkalan: 20,56%

• Sumenep: 20,18%

Sebaliknya, daerah seperti Kota Batu (3,89%) dan Kota Malang (4,44%) memiliki tingkat kemiskinan rendah. Lalu, bagaimana kita bisa memahami pola-pola ini dari sudut pandang geospasial?

Metodologi: RSPI dan Integrasi Data Multi-Sumber

Jenis Data yang Digunakan:

1. Citra Satelit:

   • NTL (Night-Time Light) – proxy untuk aktivitas ekonomi

   • BUI (Built-Up Index) – indikator urbanisasi

   • NDVI, NDWI – tutupan vegetasi dan air

   • SO₂, CO, NO₂ – indikator polusi udara

   • LST (Land Surface Temperature) – suhu permukaan lahan

2. Big Data Geospasial:

   • POI Density – kepadatan titik-titik penting (sekolah, rumah sakit, dll.)

   • POI Distance – jarak ke fasilitas terdekat

Ukuran Grid:

• Data dipetakan dalam bentuk grid resolusi tinggi: 1,5 km × 1,5 km

Teknik Analisis:

• Transformasi data menggunakan Yeo-Johnson

• Pembobotan melalui:

  • Korelasi statistik (W1)

  • Principal Component Analysis (W2)

• Validasi menggunakan:

  • Pearson dan Spearman

  • RMSE dan R²

Hasil Utama: Lima Variabel Kunci Pembentuk RSPI

Dari 10 variabel, lima yang terbukti signifikan dalam merepresentasikan kemiskinan di Jawa Timur adalah:

VariabelKorelasi dengan KemiskinanArah HubunganSignifikanNTL-0,5Negatif✔️BUI-0,45Negatif✔️SO₂-0,6Negatif✔️POI Density-0,64Negatif✔️POI Distance+0,73Positif✔️

 

📌 Semakin jauh akses ke fasilitas umum (POI distance), semakin tinggi kemungkinan kemiskinan spasial.

Validasi Model: Seberapa Akurat RSPI?

Korelasi dengan Data Kemiskinan Resmi:

• RSPI1 (berbasis korelasi):

  • Pearson: 0,71

  • Spearman: 0,77

  • RMSE: 3,18%

• RSPI2 (berbasis PCA):

  • Pearson: 0,69

  • Spearman: 0,72

  • RMSE: 3,25%

✅ Hasil ini menunjukkan RSPI sangat kuat dalam memetakan kemiskinan secara geografis.

Studi Kasus: Ketimpangan Kota dan Desa

• Urban Area (Contoh: Surabaya, Malang):

  • RSPI rendah, artinya akses dan infrastruktur bagus.

• Rural Area (Contoh: Sampang, Sumenep):

  • RSPI tinggi, meskipun secara pengeluaran belum tentu miskin.

Ini menunjukkan bahwa kemiskinan geografis bisa terjadi meskipun masyarakat memiliki pengeluaran di atas garis kemiskinan.

Analisis Tambahan: Menangkap "Kemiskinan yang Tak Terlihat"

Satu kekuatan RSPI adalah kemampuannya melihat apa yang tidak tercakup dalam data pengeluaran:

• Pendidikan dan layanan kesehatan jauh → tidak terdeteksi dalam survei pengeluaran

• Polusi tinggi di daerah padat → berdampak pada kualitas hidup, tapi tidak tercatat sebagai "kemiskinan"

• Infrastruktur buruk meski pengeluaran cukup → RSPI bisa mengungkap itu

Kritik dan Keterbatasan

Kelebihan:

• Granularitas tinggi (1,5 km)

• Sumber data gratis dan dapat diperbarui cepat

• Integrasi pendekatan spasial dan statistik

Kelemahan:

• Tidak menangkap kemiskinan multidimensi non-spasial (misalnya, pendidikan, gender)

• Tidak ada validasi lapangan langsung per piksel

• Hanya satu tahun data (2020), belum ada tren historis

Opini dan Arah Masa Depan

Penelitian ini membuka peluang baru dalam sistem pemantauan kemiskinan Indonesia. RSPI bisa:

• Digunakan pemerintah daerah untuk targeting bansos lebih tepat

• Menjadi dasar pengembangan dashboard kemiskinan spasial nasional

• Diintegrasikan dengan data pengeluaran untuk membangun Kemiskinan Multidimensi Spasial

💡 Potensi RSPI di masa depan: integrasi dengan AI & machine learning untuk prediksi dinamis!

Kesimpulan: Dari Angka Menuju Peta—Era Baru Kebijakan Kemiskinan

Penelitian ini menunjukkan bahwa dengan pendekatan geospasial dan big data, kita bisa mendeteksi kemiskinan tidak hanya dari sisi pengeluaran, tapi juga dari ruang tempat orang hidup. RSPI membawa paradigma baru: peta kemiskinan yang lebih adil, akurat, dan cepat diperbarui.

Jika pemerintah benar-benar serius mengatasi kemiskinan, RSPI harus menjadi bagian integral dari perencanaan pembangunan daerah.

Sumber:

Putri, S.R., Wijayanto, A.W., & Sakti, A.D. (2022). Developing Relative Spatial Poverty Index Using Integrated Remote Sensing and Geospatial Big Data Approach: A Case Study of East Java, Indonesia. ISPRS International Journal of Geo-Information, 11(275).
👉 Tautan resmi jurnal (DOI)