k-Means Clustering: Prioritas Penyelesaian Pagu Minus Belanja Pegawai

Oleh : Totok Wijonarko, Kepala Seksi PSAPP

A. Permasalahan Pagu Minus     

Pagu minus merupakan permasalahan pelaksanaan anggaran yang selalu berulang setiap tahun. Terjadinya pagu minus menunjukkan kondisi realisasi belanja melebihi pagu belanja pada tahun berjalan. Pagu minus tidak hanya terjadi pada segmen satker dan akun BAS, namun terjadi pula pada segmen CoA lainnya diantaranya program, kegiatan, output, dan lain-lain.

Pagu minus pada satker perlu diselesaikan. Secara umum, kebijakan penyelesaian yang berlaku saat ini adalah dengan revisi pagu anggaran. Satker melakukan revisi anggaran secara berjenjang mulai dari KPA, Kanwil DJPb, Direktorat PA, hingga DJA sesuai dengan kewenangannya sebagaimana diatur dalam PMK mengenai tata cara revisi anggaran.

 Pagu minus yang terjadi pada satker atau K/L akan berpengaruh pada kualitas data laporan keuangan yang dihasilkan, sehingga permasalahan ini perlu dimonitor secara kontinu. Pada aplikasi MonSAKTI, disediakan fitur untuk melakukan pengawasan atas masalah ini yaitu melalui menu To Do List Lainnya yang berisi daftar permasalahan kualitas data laporan keuangan satker yang di dalamnya mencakup monitoring pagu minus. 

Guna mendorong peran aktif KPPN dan Kanwil DJPb untuk membantu satker menyelesaikan pagu minus, Direktur Akuntansi dan Pelaporan Keuangan menerbitkan nota dinas nomor ND-98/PB.6/2023 tanggal 1 Februari 2023 yang memasukkan permasalahan pagu minus sebagai kriteria (unsur tingkat partisipasi) dalam penilaian LK UAKBUN-D KPPN dan UAKKBUN Kanwil dengan bobot 5%. Selanjutnya pada tanggal 30 Agustus 2024, diterbitkan nota dinas pengganti dengan nomor ND-753/PB.6/2024 yang masih mempertahankan permasalahan pagu minus sebagai salah satu kriteria (unsur Continuous Improvement) dalam penilaian LK (bobot 2%). 

Sejauh ini berbagai langkah dan upaya untuk menyelesaikan permasalahan pagu minus tersebut belum membawa hasil yang optimal. Pagu minus tetap muncul setiap tahun dengan level yang bervariasi. Grafik berikut menampilkan posisi pagu minus akun 51 selama 6 tahun terakhir di wilayah Kanwil DJPb Provinsi NTT yang disajikan menurut jumlah satker dengan pagu minus dan kode akun yang minus. Kejadian pagu minus relatif tinggi dalam kurun waktu tahun 2019 s.d. 2021 namun relatif berkurang pada periode tahun 2022 dan 2023. 

Namun demikian, menjelang akhir TA 2024 banyak ditemukan permasalahan pagu minus yang tersebar di beberapa satker lingkup Kanwil DJPb Provinsi NTT. Dari grafik terlihat pagu minus terjadi pada 39 akun belanja 51 yang tersebar pada 141 satker. Lebih lanjut, 3 besar akun yang sering mengalami pagu minus adalah akun 511111, 511125, dan 511121.

Kondisi demikian mengindikasikan perlunya penanganan permasalahan pagu minus secara lebih fokus dan terarah. Salah satu upaya untuk memudahkan penyelesaian permasalahan pagu minus adalah dengan membuat kelompok atau clustering pagu minus sesuai karakteristik satker dan jenis belanja. Dengan cluster yang terbentuk, pemangku kepentingan dapat menerapkan kebijakan penyelesaian sesuai skala prioritas sehingga diharapkan akan membawa hasil yang lebih efektif.

B. k-Means Clustering

Pengelompokan k-Means (k-Means Clustering) merupakan algoritma unsupervised learning machine, dengan tujuan untuk mengelompokan dataset menjadi beberapa kelompok dengan cara menghitung jarak data terhadap centroid. Algoritma unsupervised sendiri dilakukan ketika tidak ada target yang jelas karena tidak terdapat korelasi antar variabel.

Tujuan pengelompokan adalah untuk membagi populasi atau kumpulan titik data ke dalam sejumlah kelompok sehingga titik data dalam setiap kelompok lebih sebanding satu sama lain dan berbeda dari titik data dalam kelompok lainnya. Proses pengelompokan pada dasarnya adalah pengelompokan berbagai hal berdasarkan seberapa mirip dan berbedanya data satu sama lain.

Salah satu contoh penerapan k-Means Clustering adalah pada segmentasi pelanggan/stakeholders. Setiap usaha/ institusi yang berhubungan dengan pelayanan/services perlu untuk melakukan segmentasi pelanggan agar bisa mengenal pelanggannya dengan baik dan bisa memberikan service (treatment) yang tepat sesuai dengan karakter pelanggan. Dalam segmentasi, seluruh pelanggan dibagi (di-cluster) ke dalam beberapa kelompok sesuai dengan karakteristik yang spesifik dari masing-masing kelompok. Dengan memanfaatkan k-Means Clustering, proses segmentasi pelanggan relatif lebih mudah.

C. Aplikasi k-Means Clustering pada Permasalahan Pagu Minus Belanja Pegawai lingkup Kanwil DJPb Provinsi NTT

Pengaplikasian k-Means Clustering pada tulisan ini menggunakan dataset realisasi belanja satker lingkup Kanwil DJPb Provinsi NTT tahun 2024 yang diambil dari aplikasi Sintesa yang diakses pada periode 19 s.d. 21 Desember 2024. Data selanjutnya diolah sehingga menghasilkan 15 features (variabel) dan 22.871 instances (baris data).

Penghitungan k-Means Clustering dengan dataset tersebut dilakukan dengan menggunakan aplikasi Orange Data Mining. Pemilihan aplikasi Orange sebagai tools analisis pada tulisan ini dilatarbelakangi oleh kelebihan aplikasi tersebut yang menawarkan kemudahan di dalam pengoperasiannya (user friendly) dan fitur-fitur pemrosesan dan analisis data tersedia cukup lengkap.

Alur pengaplikasian k-Means Clustering pada dataset pagu minus lingkup Kanwil DJPb Provinsi NTT (proses randomize data, pemilihan features dan instances, sampling data, dan penerapan k-Means) secara ringkas tersaji pada gambar.

Berdasarkan proses perhitungan k-Means yang dilakukan, jumlah cluster optimal yang terbentuk adalah sebanyak 2 (dua), yaitu cluster C1 dengan nilai centroid sebesar 0,409 dan cluster C2 dengan nilai centroid sebesar 0,950. Rangkuman atribut data dari kedua cluster tersaji di dalam tabel di bawah.

Cluster C1 berisi 20 satker yang tersebar ke dalam 3 Bagian Anggaran (BA) yaitu 012, 025, dan 060 dengan nilai rata-rata Silhouette Score sebesar 0.5915. Jumlah satker pada setiap BA bervariasi, yaitu 3 satker untuk BA 012, 2 satker untuk BA 025, dan 15 satker untuk BA 060 (75% dari total satker). Dari sisi kode akun, cluster ini hanya berisi kelompok akun 5112 (Belanja Gaji dan Tunjangan TNI/Polri).

Cluster C2 berisi 130 satker yang tersebar ke dalam 13 BA dengan nilai rata-rata Silhouette Score sebesar 0.6859. Dari sejumlah BA tersebut, 5 BA menyumbang jumlah satker terbanyak (sekitar 80%), yaitu BA 060 (34.62%), BA 025 (18.46%), BA 056 (10.77%), BA 054 (9.23%), dan BA 022 (6.15%). Dalam hal kode akun, cluster C2 berisi 3 kelompok akun, yaitu 5111 (Belanja Gaji dan Tunjangan PNS), 5112 (Belanja Gaji dan Tunjangan TNI/Polri), dan 5116 (Belanja Gaji dan Tunjangan PPPK).

Secara historis, dari 30 satker yang tergabung di dalam cluster C1, sebanyak 11 satker mengalami pagu minus di tahun 2019, 8 satker pagu minus di tahun 2020, dan 7 satker pagu minus di kedua tahun tersebut. Sedangkan untuk cluster C2, sebanyak 47 satker mengalami pagu minus di tahun 2019, 19 satker dengan pagu minus di tahun 2020, 5 satker di tahun 2021, 17 satker di tahun 2019-2020, dan 2 satker di tahun 2020-2021.

Untuk cluster C1, sebanyak 20 satker dengan pagu minus tersebar pada 6 KPPN lingkup Kanwil DJPb Provinsi NTT. Sebanyak 9 satker (45%) merupakan mitra KPPN Kupang, 4 satker (20%) merupakan mitra KPPN Waingapu, 3 satker (15%) adalah mitra KPPN Atambua. Sedangkan sisanya tersebar pada KPPN Ruteng, KPPN Ende dan KPPN Larantuka.

Cluster C2 merupakan cluster dengan jumlah satker pagu minus terbanyak, yaitu 130 satker. Dari jumlah tersebut, porsi terbesar merupakan mitra KPPN Kupang yakni sebanyak 66 satker (50.77%). Porsi terbesar kedua sebanyak 17 satker (13.08%) merupakan mitra KPPN Ruteng.

Porsi berikutnya sebanyak 15 satker (11.54%) adalah mitra KPPN Waingapu. Sisanya tersebar pada KPPN Ende, KPPN Atambua, dan KPPN Larantuka.

Sesuai atribut pada setiap cluster sebagaimana dibahas sebelumnya, penanganan penyelesaian pagu minus dapat disusun berdasarkan skala prioritas. Berdasarkan cluster yang terbentuk dan banyaknya satker di dalamnya, maka dapat disusun prioritas pertama penyelesaian pagu minus adalah pada cluster C2, kemudian disusul dengan cluster C1.

Sesuai kode BA dan banyaknya satker, maka prioritas (sesuai urutan) dalam penyelesaian pagu minus yang dapat disusun sesuai prioritas adalah: BA 060, 025, 056, 054, 022, 006, 012, 005, 023, 076, 013, 029, 059, dan 116. Sedangkan menurut banyaknya satker mitra KPPN, maka prioritas (sesuai urutan) penyelesaian pagu minus dari dari sisi KPPN sebagai mitra satker dapat disusun dari cluster C2, yaitu: KPPN Kupang, Ruteng, Waingapu, Ende, Atambua, dan Larantuka.

D. Implikasi dan Keterbatasan

Aplikasi clustering pagu minus menggunakan k-Means menunjukkan 2 buah cluster optimal yang terbentuk sesuai Silhouette Score yang terbesar. Hal ini membawa implikasi kemungkinan penerapan pada dataset yang mengandung variabel atau features yang lebih banyak sehingga insight yang didapat menjadi lebih komprehensif.

Namun demikian, tulisan ini memiliki keterbatasan terkait sumber data maupun tools yang digunakan. Pertama, dataset tahun 2024 merupakan data sampai dengan pertengahan Desember 2024, artinya data masih bergerak (belum final). Kondisi ini tentunya berpengaruh pada hasil clustering, terutama apabila digabung dengan data dari tahun-tahun sebelumnya. Kedua, akurasi model clustering k-Means sangat sensitif terhadap adanya outlier. Penanganan outlier yang lebih baik akan berdampak pada hasil clustering yang lebih presisi.