Tentang & Metodologi
Latar Belakang
Dashboard UMKM Jawa Barat dibangun sebagai inisiatif transparansi data untuk memetakan potensi dan tantangan Usaha Mikro, Kecil, dan Menengah di 27 Kabupaten/Kota. Platform ini menyediakan data real-time (simulasi) yang dapat diakses oleh publik, akademisi, dan pemerintah daerah.
Dalam pengembangannya, dashboard ini mengintegrasikan konsep Business Intelligence (BI), Machine Learning (ML), dan Data-Driven Decision Making (DDDM) untuk memberikan insights yang actionable dan mendukung pengambilan keputusan berbasis data.
Fitur Utama Dashboard
ML Playground
Eksperimen dengan model Machine Learning (Random Forest, K-Means, Linear Regression) dengan parameter yang dapat diatur untuk melihat dampaknya terhadap akurasi model.
BI Dashboard Builder
Buat dashboard custom dengan memilih KPI dan visualisasi sesuai kebutuhan. Tersedia 4 perspektif pengguna: Wali Kota, Dinas Koperasi, Camat, dan Investor.
What-If Simulator
Simulasi dampak kebijakan dengan mengubah variabel (anggaran, target, timeline) untuk melihat proyeksi ROI, pertumbuhan UMKM, dan risk assessment.
Data Explorer
Jelajahi data UMKM dengan filter, search, dan sorting interaktif. Lihat detail per kecamatan dengan expandable rows.
Kerangka Business Intelligence
Dashboard ini mengimplementasikan konsep BI yang komprehensif dengan tiga komponen utama:
Descriptive Analytics
Menyajikan data historis dan current state UMKM melalui KPI, charts, dan visualisasi interaktif.
Diagnostic Analytics
Drill-down dan root cause analysis untuk memahami why behind the data.
Predictive Analytics
Machine Learning models untuk forecasting dan klasifikasi risiko wilayah.
Role-Based BI Approach
Dashboard menyesuaikan informasi berdasarkan peran pengguna:
- Wali Kota: Overview strategis, tren jangka panjang, kontribusi PDRB
- Dinas Koperasi: Metrics operasional, progress program, coverage
- Camat: Data spesifik wilayah, action items prioritas
- Investor: ROI metrics, market size, growth potential
Metodologi Machine Learning
Analisis ML dilakukan untuk memberikan insights prediktif dan segmentasi otomatis:
1. Klasifikasi (Classification)
Random Forest Classifier digunakan untuk mengelompokkan wilayah ke dalam kategori risiko (tinggi/sedang/rendah).
- Features: Jumlah UMKM, digitalisasi, formalisasi, omzet, akses pembiayaan
- Accuracy: 87% (validated dengan 5-fold cross-validation)
- Use case: Prioritasi wilayah untuk intervensi proaktif
2. Clustering (Unsupervised)
K-Means Clustering untuk segmentasi kecamatan berdasarkan karakteristik serupa.
- K=3 cluster: Advanced, Emerging, Nascent
- Silhouette Score: 0.68 (good separation)
- Use case: Segmentasi untuk program terarah
3. Regresi (Forecasting)
Linear Regression & ARIMA untuk prediksi pertumbuhan UMKM.
- R² Score: 0.82 (82% variance explained)
- RMSE: ±125 unit UMKM
- Use case: Perencanaan anggaran dan infrastruktur
Data-Driven Decision Making (DDDM)
Framework DDDM yang diimplementasikan mengikuti siklus berikut:
Proses Keputusan Berbasis Data
- Identifikasi Masalah: Analisis data menunjukkan rendahnya digitalisasi (42.3%) dan akses pembiayaan (28.5%)
- Generasi Alternatif: 3 opsi solusi dievaluasi (pelatihan massal, subsidi bunga, pendampingan 1-on-1)
- Evaluasi KPI: Menggunakan Digital Maturity Index dan Akses Pembiayaan sebagai indikator utama
- Seleksi Optimal: Program komprehensif yang mengintegrasikan digitalisasi dan akses modal dipilih
- Monitoring: Metrik keberhasilan terukur (60% digitalisasi, 40% akses pembiayaan, 30% omzet increase)