DY Index + Threshold + Machine Learning untuk Trinitas Baru MBG

Dashboard Riset · DY Index · Threshold TVAR/TVECM · Machine Learning

Machine Learning untuk Membandingkan Terbentuknya Trinitas Baru Pembangunan Sosial-Ekonomi dari Program MBG

Dashboard ini menggabungkan tiga pendekatan. DY Index mengukur kontribusi dinamis MBG terhadap sistem pembangunan daerah. Threshold TVAR/TVECM membaca apakah kontribusi MBG berubah pada rezim normal dan rezim tekanan. Machine Learning memprediksi peluang terbentuknya Trinitas Baru: PDRB meningkat, kesejahteraan membaik, dan ketahanan fiskal tetap terjaga.

DY IndexGeneralized FEVDThreshold RegimeRandom ForestXGBoostSHAP / Feature ImportanceTrinitas Baru

1. Kerangka Utama: Mengapa Machine Learning Dibutuhkan?

DY Index menjawab pertanyaan kontribusi: seberapa besar shock MBG menjelaskan variasi PDRB, kesejahteraan, fiskal, UMKM, tenaga kerja, dan inflasi pangan. Threshold TVAR/TVECM menjawab pertanyaan rezim: apakah kontribusi MBG tetap kuat saat inflasi pangan, logistik, atau tekanan fiskal melewati ambang. Machine learning menjawab pertanyaan prediksi: daerah mana yang paling mungkin membentuk Trinitas Baru.

MBG Intensity→PDRB+Kesejahteraan+Ketahanan Fiskal→ML Probability→Trinitas Baru

\[ Trinity_{it}=1 \quad \text{jika} \quad \Delta PDRB_{it}>0,\ \Delta WELF_{it}>0,\ FiscalStress_{it}\leq \tau_F \]

Inti novelty: MBG tidak hanya dievaluasi sebagai program belanja sosial, tetapi sebagai node kebijakan yang kontribusinya diukur dengan DY Index, diuji nonlinier dengan threshold, dan diprediksi keberhasilan trinitasnya dengan machine learning.

2. Tiga Pilar Trinitas Baru Pembangunan Sosial-Ekonomi

①

Pilar PDRB

MBG dianggap membentuk pilar ekonomi jika mendorong permintaan lokal, UMKM pangan, tenaga kerja, dan pertumbuhan PDRB daerah.

②

Pilar Kesejahteraan

MBG dianggap membentuk pilar sosial jika meningkatkan daya beli, menurunkan kerentanan, dan memperbaiki indikator kesejahteraan.

③

Pilar Fiskal

MBG dianggap berkelanjutan jika tidak memicu tekanan fiskal berlebihan dan tetap kompatibel dengan kapasitas APBN/APBD.

\[ NTI_{it}=w_1PDRBRes_{it}+w_2WelfareRes_{it}+w_3FiscalRes_{it}-w_4FoodInflationRisk_{it}-w_5LogisticRisk_{it} \]

3. Input Simulasi

Realisasi Anggaran MBG (%)

75/100

Cakupan Penerima Manfaat (%)

70/100

SPPG Aktif terhadap Target (%)

65/100

Local Procurement (%)

68/100

Kesiapan Rantai Pasok (0-100)

72/100

Tekanan Logistik (0-100)

35/100

Inflasi Pangan (%) Pertumbuhan PDRB Baseline (%) Indeks Kesejahteraan Baseline (0-100) Pertumbuhan UMKM Pangan (%) Penyerapan Tenaga Kerja Lokal (%) Tingkat Kemiskinan (%) Tekanan Fiskal Daerah (0-100)

42/100

Horizon FEVD H Koefisien Konversi DY ke PDRB

Threshold TVAR/TVECM

Variabel Threshold Nilai Ambang Threshold Multiplier Rezim Normal Multiplier Rezim Tekanan

Machine Learning

Model ML Pembanding Target Probabilitas Trinitas (%)

4. Output DY + Threshold

MBG Net Transmitter

kontribusi bersih positif

MBG Intensity

0/100

Directional TO: MBG ke Sistem

Directional FROM: Sistem ke MBG

Net MBG Contribution

Rezim Threshold

Normal

efek penuh

Estimasi PDRB Akhir

0.00%

PDRB akhir = baseline + kontribusi DY yang sudah dikoreksi oleh multiplier rezim.

5. Output Machine Learning

New Trinity Index

0/100

Pilar PDRB

0/100

Pilar Kesejahteraan

0/100

Pilar Fiskal

0/100

Prediksi Kelas

Trinitas Sedang

perlu penguatan

6. Chart Perbandingan: DY vs ML

DY membaca kontribusi. ML membaca peluang terbentuknya trinitas.

DY TODY FROMML ProbabilityNTI

7. Feature Importance Machine Learning

Simulasi menunjukkan faktor mana yang paling menentukan peluang Trinitas Baru.

Penggerak positifRisiko/penghambat

8. Simulasi Rolling Probability Trinitas Baru

Garis menunjukkan bagaimana probabilitas trinitas berubah saat kontribusi MBG, readiness, dan risiko fiskal-logistik bergerak dari waktu ke waktu.

Probabilitas MLNTIRisiko Rezim

9. Interpretasi Otomatis

10. Rumus Gabungan DY Index + Threshold + Machine Learning

Bagian ini menjadi fondasi metodologis riset. DY Index mengukur kontribusi, threshold membaca rezim, dan machine learning memprediksi keberhasilan pembentukan trinitas.

\[ \mathbf{x}_t=\sum_{k=1}^{p}\Phi_k\mathbf{x}_{t-k}+\varepsilon_t, \qquad \varepsilon_t\sim(0,\Sigma) \]

\[ \theta^{g}_{ij}(H)=\frac{\sigma_{jj}^{-1}\sum_{h=0}^{H-1}(e_i’A_h\Sigma e_j)^2}{\sum_{h=0}^{H-1}(e_i’A_h\Sigma A_h’e_i)} \]

\[ Contribution_{MBG\rightarrow i}(H)=\widetilde{\theta}^{g}_{i,MBG}(H)\times100 \]

\[ Regime_t=\begin{cases} Normal, & q_t\leq\tau \\ Tekanan, & q_t>\tau \end{cases} \]

\[ \Delta g^{MBG,TH}_{Y,t}(H)=\kappa\times\widetilde{\theta}^{g}_{PDRB,MBG}(H)\times\left(\frac{MBGIntensity_t}{100}\right)\times\left(\frac{Readiness_t}{100}\right)\times\psi_r \]

\[ Pr(Trinity_{it}=1)=f_{ML}(MBGIntensity, Coverage, SPPG, LocalProcurement, Readiness, FoodInflation, FiscalStress, LogisticPressure, UMKM, Labor) \]

\[ \widehat{y}_i=\phi_0+\sum_{j=1}^{p}\phi_{ij} \]

Makna: rumus SHAP/importance di bagian akhir digunakan untuk menjelaskan mengapa model ML menyatakan trinitas kuat, sedang, atau belum terbentuk.

11. Perbandingan Metode

Metode	Pertanyaan Riset	Output	Kelebihan	Keterbatasan
DY Index	Berapa kontribusi MBG ke PDRB, kesejahteraan, fiskal, UMKM, tenaga kerja?	TO, FROM, Net, Pairwise Contribution	Kuat untuk connectedness dan kontribusi arah	Tidak otomatis memprediksi peluang trinitas
Threshold TVAR/TVECM	Apakah kontribusi MBG berubah saat masuk rezim tekanan?	Rezim normal vs tekanan	Kuat untuk nonlinear dan regime-dependent effect	Perlu data runtun waktu cukup dan threshold stabil
Machine Learning	Daerah mana yang paling mungkin membentuk Trinitas Baru?	Prediksi PDRB, probabilitas trinitas, feature importance	Kuat untuk prediksi, interaksi kompleks, nonlinearitas	Perlu validasi ketat agar tidak overfitting
Hybrid	Apakah MBG berkontribusi, pada rezim apa, dan seberapa besar peluang trinitasnya?	Kontribusi + rezim + probabilitas	Paling lengkap untuk riset kebijakan adaptif	Butuh desain data yang rapi

12. Kesimpulan Riset

Kesimpulan utama: Trinitas Baru Pembangunan Sosial-Ekonomi tercipta ketika MBG terbukti menjadi net transmitter dalam sistem pembangunan daerah, kontribusinya terhadap PDRB tetap positif setelah dikoreksi threshold, kesejahteraan meningkat, dan machine learning mengonfirmasi probabilitas keberhasilan trinitas berada di atas ambang kebijakan.

\[ DY\ Index + Threshold\ TVAR/TVECM + Machine\ Learning \Rightarrow Measurement + Regime + Prediction \]