Memahami Koefisien Gini: Ukuran Ketimpangan

Ketimpangan pendapatan telah lama menjadi bahan pembahasan dalam diskusi ekonomi dan sosial. Kesenjangan dalam distribusi pendapatan memengaruhi segala hal, mulai dari keputusan kebijakan hingga kesejahteraan individu. Namun, pernahkah Anda bertanya-tanya bagaimana kita sebenarnya mengukur ketimpangan secara empiris? Salah satu caranya adalah menggunakan koefisien Gini.

Koefisien Gini adalah metrik yang kuat untuk mengukur ketimpangan. Ini banyak digunakan lintas disiplin, termasuk ekonomi, sosiologi, dan kesehatan. Utamanya digunakan untuk mengukur ketimpangan pendapatan, tetapi telah dimodifikasi untuk mengukur hal-hal seperti distribusi kekayaan bahkan akses terhadap layanan kesehatan. Kekuatan koefisien Gini adalah kemampuannya merangkum dataset yang kompleks menjadi satu angka. Nilai tunggal ini memberikan lensa yang jelas untuk membandingkan ketimpangan. Jika Anda ingin menyegarkan kembali pengetahuan statistik Anda saat kita mulai, lihat Statistical Inference in R.

Apa itu Koefisien Gini?

Koefisien Gini adalah ukuran statistik yang digunakan untuk menilai ketimpangan dalam suatu dataset. Nilainya berkisar dari 0, yang menggambarkan kesetaraan sempurna, hingga 1, yang menunjukkan ketimpangan sempurna. Nilai Gini 0 berarti semua orang memiliki bagian yang sama, sedangkan 1 berarti satu orang memiliki semuanya.

Di atas adalah contoh sederhana berbagai koefisien Gini. Dalam masing-masing dari tiga skenario, terdapat 10 orang dan $10.000. Pada contoh pertama, uang didistribusikan sama rata, menghasilkan koefisien Gini mendekati 0. Pada contoh kedua, pada dasarnya ada dua kelas, dengan kelas atas mempertahankan sebagian besar uang. Ini menghasilkan koefisien Gini mendekati 0,5. Pada contoh ketiga, satu orang memiliki seluruh uang sementara sisa populasi tidak memiliki apa pun. Contoh ekstrem ketimpangan ini menghasilkan koefisien Gini mendekati 1.

Fleksibilitas koefisien Gini membuatnya dapat diterapkan pada berbagai konteks. Sering kali, ketika koefisien Gini dilaporkan, ia merujuk pada ketimpangan pendapatan. Namun, metrik ini telah diadaptasi untuk mengukur distribusi kekayaan, ketimpangan konsumsi, bahkan perbedaan ukuran hunian.

Latar historis dan pentingnya saat ini

Koefisien Gini diperkenalkan pada tahun 1912 oleh ahli statistik Italia Corrado Gini dalam karya monumentalnya tentang pengukuran variabilitas. Anda dapat membaca lebih lanjut tentang beliau di Corrado Gini (1884–1965): Versatile Originator of Measures of Variability.

Seiring waktu, koefisien Gini berkembang, memperluas penerapannya ke bidang seperti ekologi, ilmu kesehatan, dan pendidikan. Misalnya, digunakan untuk mengukur ketimpangan dalam keanekaragaman hayati, akses layanan kesehatan, dan pencapaian pendidikan. Meski demikian, penggunaan utamanya tetap dalam konteks ekonomi, khususnya terkait ketimpangan pendapatan. Ini menjadi alat penting bagi peneliti, pembuat kebijakan, dan analis di seluruh dunia.

Dengan memberikan ukuran ketimpangan yang terkuantifikasi, koefisien Gini membantu pemerintah dan organisasi membuat keputusan terinformasi tentang alokasi sumber daya, kebijakan pajak, dan program kesejahteraan sosial. Kesederhanaan dan kejelasannya memungkinkan perbandingan yang mudah lintas wilayah dan periode waktu.

Grafik di atas menunjukkan koefisien Gini yang diketahui dari waktu ke waktu untuk beberapa negara besar. Data untuk grafik ini berasal dari Bank Dunia. Kesenjangan pada grafik mencerminkan kekosongan data, yaitu tahun-tahun ketika data ekonomi yang memadai tidak tersedia bagi Bank Dunia.

Cara Menghitung Koefisien Gini

Koefisien Gini bisa dihitung dengan banyak cara berbeda, tetapi ada dua metode utama, yang keduanya melibatkan perbandingan distribusi aktual suatu sumber daya, seperti pendapatan, dengan distribusi yang sepenuhnya setara.

Rumus berbasis kurva Lorenz

Persamaan kontinu untuk koefisien Gini dapat ditulis sebagai:

Di mana:

• L(x) adalah kurva Lorenz, yang merepresentasikan bagian kumulatif dari variabel (misalnya, pendapatan) sebagai fungsi dari bagian kumulatif populasi.
• Integral menghitung luas di bawah kurva Lorenz.

Kurva Lorenz menunjukkan proporsi kumulatif variabel terhadap proporsi kumulatif populasi. Koefisien Gini mengukur seberapa jauh kurva Lorenz dari garis kesetaraan sempurna (garis diagonal 45 derajat).

Menggunakan rumus berbasis kurva Lorenz

Menggunakan rumus ini untuk menghitung koefisien Gini adalah proses yang lugas. Mari kita bahas langkah demi langkah dengan sebuah contoh.

Misalkan kita memiliki populasi lima individu dengan pendapatan $10, $20, $30, $40, dan $50.

Langkah 1: Susun data

Mulailah dengan menyusun pendapatan dalam urutan menaik. Lalu, hitung persentase kumulatif untuk populasi dan nilai masing-masing.

Langkah 2: Hitung total kumulatif

Berikutnya, kita perlu menghitung bagian kumulatif pendapatan untuk populasi. Nilai-nilai ini akan membantu kita memplot kurva Lorenz pada langkah berikutnya.

Berikut tampilan data yang telah diurutkan untuk populasi kita pada titik ini.

Langkah 3: Plot kurva Lorenz

Selanjutnya, kita perlu memetakan bagian kumulatif pendapatan terhadap bagian kumulatif populasi. Ini disebut kurva Lorenz. Kita akan menambahkan garis 45 derajat untuk merepresentasikan kesetaraan sempurna.

Plot di atas menggambarkan kurva Lorenz untuk dataset contoh. Garis putus-putus menunjukkan garis kesetaraan, dan area berarsir antara kurva Lorenz dan garis kesetaraan berkaitan dengan koefisien Gini. Perhatikan sudut-sudut tajam pada kurva Lorenz. Ini disebabkan oleh ukuran populasi yang kecil dalam contoh kita. Ukuran populasi yang lebih besar akan menghasilkan kurva Lorenz yang lebih halus.

Langkah 4: Hitung luas antara kurva Lorenz dan Garis Kesetaraan

Terakhir, kita menggunakan grafik ini untuk menghitung koefisien Gini. Koefisien Gini sebanding dengan luas antara kurva Lorenz dan Garis Kesetaraan. Biasanya, ini dihitung dalam beberapa langkah.

Pertama, kita menghitung luas di bawah kurva Lorenz menggunakan metode integrasi numerik, seperti aturan trapesium. Setelah kita mendapatkan nilainya, kita kurangi dari luas di bawah Garis Kesetaraan, yang selalu 0,5 untuk data yang dinormalisasi. Terakhir, kita kalikan hasilnya dengan 2 untuk menangkap ukuran ketimpangan secara penuh.

Untuk contoh kita, koefisien Gini adalah 0,27.

Metode kesenjangan pendapatan berpasangan

Saat bekerja dengan populasi kecil atau dataset diskrit, metode kesenjangan pendapatan berpasangan memberikan cara yang lebih baik untuk menghitung koefisien Gini. Pendekatan ini menghindari interpolasi yang melekat pada metode yang melibatkan kurva Lorenz dan secara langsung mengukur ketimpangan dengan membandingkan semua perbedaan berpasangan dalam data.

Berikut rumusnya, kadang disebut metode kesenjangan pendapatan berpasangan:

Di mana:

• n adalah jumlah observasi.
• xi dan xj adalah nilai individu dalam dataset.
• x adalah rata-rata dataset.

Rumus ini menghitung perbedaan rata-rata relatif dengan membandingkan semua pasangan nilai dalam dataset.

Versi ini secara langsung menghitung koefisien Gini dari data tanpa membuat grafik. Ia melihat semua kemungkinan perbedaan berpasangan antar nilai dan membandingkannya dengan nilai rata-rata.

Menggunakan metode kesenjangan berpasangan

Mari kita telusuri ini lagi dengan populasi contoh kita: lima individu dengan pendapatan $10, $20, $30, $40, dan $50.

Langkah 1: Susun data

Mulailah dengan dataset pendapatan yang telah diurutkan.

Langkah 2: Hitung perbedaan berpasangan

Untuk setiap pasangan nilai xi dan xj, hitung nilai absolut dari selisih keduanya xi-xj.

Langkah 3: Jumlahkan perbedaannya

Jumlahkan semua perbedaan absolut antara semua pasangan nilai. Untuk data contoh kita, jumlah perbedaannya adalah 400

Langkah 4: Normalisasi hasil

Terakhir, kita perlu membagi jumlah semua perbedaan berpasangan dengan 2n2x, di mana n adalah jumlah titik data dan x adalah rata-rata dataset. Langkah ini akan memberikan koefisien Gini akhir kita.

Jumlah titik data (n) = 5

Rata-rata dataset (x)= 10 + 20 + 30 + 40 + 505=30 

Normalisasi jumlah perbedaan berpasangan:

Koefisien Gini untuk dataset contoh tersebut kira-kira 0,27.

Cobalah mengukur ketimpangan dalam emisi karbon atau dalam analitik bola basket dengan proyek-proyek ini.

Menafsirkan Nilai Koefisien Gini

Koefisien Gini hampir selalu merujuk pada ketimpangan pendapatan, kecuali dinyatakan sebaliknya. Nilainya berkisar dari 0 hingga 1, di mana 0 mewakili kesetaraan sempurna (semua orang memiliki pendapatan yang persis sama) dan 1 mewakili ketimpangan sempurna, dengan satu individu memegang seluruh pendapatan sementara yang lain tidak memiliki apa-apa. Nilai di antara kedua ekstrem ini memberikan wawasan tentang tingkat kesenjangan pendapatan dalam suatu populasi.

Catatan: Beberapa sumber mengalikan nilai ini dengan 100 sehingga rentang koefisien Gini menjadi 0–100.

Koefisien Gini yang rendah menunjukkan distribusi pendapatan yang relatif merata, sering dikaitkan dengan negara yang menerapkan kebijakan redistributif yang kuat. Sebaliknya, koefisien Gini yang tinggi mencerminkan kesenjangan pendapatan yang signifikan, yang dapat berkontribusi pada tantangan seperti keresahan sosial atau berkurangnya mobilitas ekonomi.

Namun, cara kita menafsirkan nilai-nilai ini bergantung pada konteks. Di negara maju, nilai Gini yang tinggi dapat mencerminkan meningkatnya ketimpangan akibat perlindungan tenaga kerja yang melemah, kebijakan pajak yang menguntungkan kalangan kaya, atau kesenjangan upah di industri yang tumbuh pesat. Nilai Gini yang rendah, sebaliknya, dapat menandakan program kesejahteraan yang kuat seperti layanan kesehatan universal, pendidikan terjangkau, atau pajak progresif yang mengurangi kesenjangan.

Di negara berkembang, nilai Gini yang tinggi dapat menyoroti ketimpangan akibat kepemilikan lahan yang terkonsentrasi, akses pendidikan yang terbatas, atau pasar tenaga kerja informal yang tidak diatur. Sebaliknya, nilai Gini yang rendah dapat menunjukkan kemajuan melalui kebijakan yang berkeadilan, seperti perbaikan akses pendidikan, upaya pengentasan kemiskinan, atau reformasi pertanian.

Aplikasi Koefisien Gini

Koefisien Gini digunakan oleh ekonom, pemerintah, dan sosiolog, antara lain. Penerapannya mencakup:

• Pembuatan Kebijakan: Pemerintah menggunakannya untuk menginformasikan kebijakan seperti pajak progresif dan program kesejahteraan sosial guna mengurangi ketimpangan.
• Perbandingan Regional: Memudahkan perbandingan internasional dalam hal ketimpangan.
• Mengukur Ketimpangan Pendapatan atau Konsumsi: Membantu menilai ketimpangan pendapatan dan konsumsi, menyoroti kesenjangan baik di dalam maupun antarnegara.
• Mempelajari Faktor Sosial: Di luar ekonomi, koefisien Gini digunakan untuk secara tidak langsung mempelajari faktor sosial, seperti pendidikan, kriminalitas, dan layanan kesehatan.

Tren Geografis dalam Koefisien Gini

Negara-negara Skandinavia terkenal memiliki nilai Gini rendah (<0,30) berkat program sosial yang kuat dan kebijakan redistributif. Amerika Serikat, Tiongkok, dan Rusia memiliki nilai Gini moderat (antara 0,35 dan 0,41) dengan perbedaan mencolok antara pendapatan dan kekayaan. Afrika Selatan menonjol dengan nilai Gini tinggi (~0,63), menyoroti ketimpangan pendapatan yang signifikan akibat faktor historis dan struktural. 

Anda dapat bereksperimen dengan data ekonomi di DataLab milik DataCamp. Unggah saja data yang Anda minati dan mulai jelajahi!

Di atas adalah grafik perkiraan terbaru untuk Koefisien Gini menurut Bank Dunia bagi beberapa negara yang menarik. Anda dapat bereksperimen sendiri dengan datanya di World Bank.

Tren dari waktu ke waktu

Globalisasi dan kemajuan teknologi telah membentuk tren Gini di seluruh dunia. Ekonomi yang sedang berkembang sering mengalami peningkatan ketimpangan karena industrialisasi cepat yang memusatkan kekayaan di sektor-sektor tertentu. Sebaliknya, negara maju cenderung menunjukkan nilai Gini pascapajak yang lebih rendah, mencerminkan dampak kebijakan pajak yang bersifat redistributif dan sistem kesejahteraan sosial yang kuat.

Bank Dunia melacak koefisien Gini untuk negara-negara di seluruh dunia. Grafik mereka di atas menunjukkan bagaimana proporsi negara dengan koefisien Gini rendah dan tinggi berubah selama dua dekade terakhir. Mereka mendefinisikan ketimpangan tinggi sebagai memiliki koefisien Gini lebih dari 40. Sumber gambar: Inside the World Bank’s new inequality indicator: The number of countries with high inequality.

Peran kebijakan

Kebijakan merupakan penentu signifikan nilai koefisien Gini suatu negara. Negara dengan sistem kesejahteraan yang kokoh, seperti layanan kesehatan universal, pendidikan gratis atau bersubsidi, dan tunjangan pengangguran, sering melaporkan nilai Gini yang lebih rendah. Program-program ini membantu mendistribusikan ulang sumber daya, mengurangi kesenjangan antara kelompok berpendapatan tinggi dan rendah. Lihat artikel riset ini berjudul: Welfare type and income inequality: an income source decomposition including in-kind benefits and cash-transfers entitlement.

Kebijakan perpajakan juga berperan. Sistem pajak progresif, di mana penghasil lebih tinggi membayar persentase pendapatan yang lebih besar dalam pajak, sangat efektif mengurangi ketimpangan. Sebaliknya, struktur pajak yang regresif atau penegakan pajak yang kurang memadai dapat memperburuk kesenjangan. Anda dapat membaca tentang bagaimana kebijakan pajak progresif mengurangi ketimpangan di AS dalam dokumen dari Departemen Keuangan AS: Reducing Income Inequality through Progressive Tax Policy: The Effects of Recent Tax Changes on Inequality.

Kebijakan yang mempromosikan akses yang adil terhadap peluang, seperti perlindungan tenaga kerja, undang-undang upah minimum, dan inisiatif perumahan terjangkau, dapat menurunkan nilai Gini dari waktu ke waktu. Tanpa intervensi ini, ketimpangan struktural sering bertahan, khususnya di wilayah dengan tata kelola yang lemah atau program sosial yang kurang berkembang. Lihat diskusi ini tentang apakah serikat pekerja membantu mengurangi kesenjangan.

Keterbatasan dan Kritik

Koefisien Gini, meski banyak digunakan, memiliki beberapa keterbatasan yang harus dipertimbangkan saat menafsirkan hasilnya.

Salah satu keterbatasan utama adalah sensitivitasnya terhadap kualitas data. Dataset yang tidak konsisten atau tidak lengkap dapat menghasilkan kesimpulan yang tidak akurat, terutama di wilayah dengan perekonomian informal atau pendapatan yang tidak tercatat. Hal ini dapat membelokkan nilai Gini dan memengaruhi keputusan kebijakan yang didasarkan pada data tersebut. Untuk mengatasi sebagian ketidaksesuaian ini, organisasi seperti Bank Dunia menggunakan konsumsi sebagai proksi pendapatan ketika data pendapatan tidak memadai. Namun, bahkan penyesuaian seperti itu pun memiliki keterbatasan.

Selain itu, koefisien Gini sebagaimana sering disajikan hanya berfokus pada ketimpangan pendapatan. Artinya, ia tidak menangkap dimensi ketimpangan penting lainnya seperti akses ke pendidikan, layanan kesehatan, atau mobilitas sosial. Fokus yang sempit ini dapat menyederhanakan gambaran yang lebih luas tentang ketimpangan sosial. Anda dapat menggunakan koefisien Gini untuk mengukur bentuk ketimpangan lain, tetapi sebagian besar waktu bukan begitu cara penggunaannya.

Yang berisiko, koefisien Gini dapat menghasilkan nilai identik dari distribusi pendapatan yang berbeda, sehingga menutupi variasi penting dalam ketimpangan. Dua masyarakat dengan nilai Gini yang sama bisa memiliki struktur pendapatan yang sangat berbeda.

import numpy as npdef gini_coefficient(income_distribution):    sorted_income = np.sort(income_distribution)    n = len(income_distribution)    cumulative_income = np.cumsum(sorted_income)    relative_cumulative_income = cumulative_income / cumulative_income[-1]    lorenz_curve_area = (np.sum(relative_cumulative_income) - 0.5) / n    gini_coefficient = 1 - 2 * lorenz_curve_area    return round(gini_coefficient, 2)# Population with a middle classincome_distribution1 = np.array([1, 1, 1, 50, 50, 50, 9000, 9000, 90000])# Population without a middle classincome_distribution2 = np.array([1, 1, 1, 1, 1, 1, 1, 1, 140])gini1 = gini_coefficient(income_distribution1)gini2 = gini_coefficient(income_distribution2)print("Gini coefficient for distribution 1:", gini1)print("Gini coefficient for distribution 2:", gini2)Didukung oleh

Gini coefficient for distribution 1: 0.83Gini coefficient for distribution 2: 0.83Didukung oleh

Pada contoh di atas, dua populasi, satu dengan kelas menengah dan satu tanpa kelas menengah, memiliki koefisien Gini yang sama. Ini menunjukkan salah satu alasan mengapa koefisien Gini perlu ditafsirkan dalam konteks: metrik ini tidak menunjukkan distribusi yang mendasarinya.

Ingat, koefisien Gini hanyalah satu angka yang merangkum banyak informasi yang mendasarinya. Jadi berhati-hatilah membuat asumsi hanya berdasarkan koefisien Gini.

Alternatif dan Ukuran Pelengkap

Koefisien Gini bukan satu-satunya ukuran ketimpangan yang tersedia. Anda dapat melihat daftar ukuran ketimpangan yang digunakan pemerintah AS di situs web sensus AS.

Mari jelajahi beberapa metrik lain yang memberikan wawasan tambahan.

Indeks Theil

Indeks Theil adalah alat yang kuat untuk memecah ketimpangan menjadi kesenjangan dalam-kelompok dan antarkelompok. Ini memungkinkan analisis ketimpangan yang lebih terperinci, terutama saat membandingkan wilayah, sektor, atau kelompok demografis yang berbeda. Indeks ini dapat menyoroti kesenjangan dalam suatu populasi dan menunjukkan bagaimana ketimpangan berubah ketika kelompok yang berbeda dipertimbangkan. Hal ini menjadikannya berharga untuk analisis kebijakan dan mengidentifikasi area yang mungkin memerlukan intervensi terarah.

Indeks Atkinson

Indeks Atkinson khas karena fokusnya pada bagian bawah distribusi pendapatan. Berbeda dengan koefisien Gini, Indeks Atkinson memberikan bobot lebih besar pada perubahan pendapatan di segmen termiskin masyarakat. Ini membuatnya sangat berguna untuk menentukan di bagian mana dalam distribusi ketimpangan terjadi. Indeks Atkinson digunakan dalam menilai dampak kebijakan yang ditujukan untuk mengurangi kemiskinan atau meningkatkan kesejahteraan kelompok yang paling kurang beruntung.

Kurva Lorenz

Kurva Lorenz digunakan sebagai bagian dari perhitungan koefisien Gini. Namun, ini juga merupakan metrik yang berguna secara mandiri.

Dikembangkan oleh Max Lorenz pada tahun 1905, Kurva Lorenz memberikan representasi visual distribusi pendapatan. Kurva ini menunjukkan bagian kumulatif pendapatan yang dimiliki oleh berbagai persentil populasi. Sementara koefisien Gini merangkum ketimpangan menjadi satu angka, Kurva Lorenz menawarkan pandangan yang lebih terperinci tentang bagaimana pendapatan didistribusikan di seluruh populasi. Saya menemukan diskusi tentang Kurva Lorenz dan koefisien Gini ini sangat menarik: Lorenz Curve: Definition and Uses.

Kesimpulan

Alat seperti koefisien Gini berdampak besar karena menawarkan ringkasan sederhana dari distribusi yang kompleks. Kejelasan ini membantu membimbing pembuat kebijakan dan ekonom dalam upaya mereka menciptakan masyarakat yang lebih berkeadilan.

Jika Anda tertarik mempelajari lebih banyak alat statistik, lihat beragam kursus statistik kami. Jika Anda lebih suka mempelajari bagaimana uang menggerakkan dunia, lihat seri Python for Finance dari DataCamp atau jelajahi jalur Applied Finance mereka untuk mempelajari konsep seputar risiko kredit, portofolio, dan lainnya. Kami juga menawarkan peningkatan keterampilan untuk seluruh tim sekaligus, jika Anda terhubung dengan tim DataCamp for Business.