Electronic Theses and Dissertation

Pemberdayaan perempuan merupakan isu penting dalam pembangunan berkelanjutan, sebagaimana tercantum dalam Tujuan Pembangunan Berkelanjutan Sustainable Development Goals (SDGs) ke-5. Di Indonesia, meskipun capaian indeks pemberdayaan terus meningkat, ketimpangan antar provinsi masih terlihat. Penelitian ini bertujuan untuk memetakan indikator pemberdayaan perempuan, menganalisis keterkaitannya dengan setiap provinsi, serta mengelompokkan provinsi berdasarkan kesamaan karakteristik. Analisis dilakukan menggunakan Principal Component Analysis (PCA) Biplot untuk mengidentifikasi keterkaitan antar variabel dan provinsi secara visual, serta Agglomerative Hierarchical Clustering untuk membentuk Cluster provinsi berdasarkan kemiripan karakteristik. Hasil analisis PCA Biplot menunjukkan adanya kelompok provinsi dengan karakteristik indikator serupa, korelasi antar variabel seperti hubungan positif antara tingkat partitipasi angkatan kerja (TPAK) dan sumbangan pendapatan perempuan, serta hubungan negatif antara partisipasi pendidikan dengan kelahiran dini. Indikator TPAK memiliki keragaman tertinggi, menunjukkan variabel tersebut dengan kontribusi tertinggi pada pemberdayaan perempuan. Pada agglomerative hierarchical clustering menunjukkan average linkage sebagai metode terbaik dengan 3 cluster optimal. Pada gabungan dari kedua visualisasi menunjukkan cluster 1 yang tidak menonjol dengan karakteristik tertentu, cluster 2 dengan karakteristik kesehatan reproduksi rendah, dan cluster 3 dengan karakteristik partisipasi ekonomi yang tinggi.

Women’s empowerment is a key issue in sustainable development, as outlined in the fifth Sustainable Development Goal (SDG). In Indonesia, although the empowerment index has shown continuous improvement, disparities between provinces remain evident. This study aims to map indicators of women’s empowerment, analyze their association with each province, and group provinces based on similar characteristics. The analysis employs Principal Component Analysis (PCA) Biplot to visually identify relationships between variables and provinces, and Agglomerative Hierarchical Clustering to classify provinces based on characteristic similarities. The PCA Biplot results reveal clusters of provinces with similar indicator patterns, such as a positive correlation between labor force participation rate (TPAK) and women's income contribution, and a negative correlation between educational participation and early childbirth. TPAK emerges as the most diverse indicator, contributing the most to women's empowerment. The agglomerative hierarchical clustering identifies average linkage as the best method, producing three optimal clusters. The combined visualizations show: Cluster 1 without distinct dominant traits, Cluster 2 with low reproductive health indicators, and Cluster 3 characterized by high economic participation.