Ketenagakerjaan
SEC_ SD2023020000299
1. Pendahuluan
Indonesia Emas 2045 menjadi suatu representasi transformasi Indonesia menjadi negara
yang maju dari berbagai sektor yang ada (Hidayat, 2022). Salah satu sektor yang harus
mendukung transformasi Indonesia adalah ketenagakerjaan. Sektor ini harus mampu
menciptakan tingkat partisipasi angkatan kerja yang elastis dan responsif di masa depan.
Hal ini sesuai dengan salah satu sub indikator Indonesia Emas 2045, yaitu reformasi
ketenagakerjaan. Menurut data Kementerian PPN/Bappenas, target partisipasi angkatan
kerja naik hingga 78% pada tahun 2045, dari 65,8% pada tahun 2015. Sementara itu,
SEC_SD2023020000299
target pengangguran terbuka turun hingga 3-4% pada tahun 2045, dari 6,2% pada tahun
2015 (Kementerian PPN/Bappenas, 2019).
Berdasarkan latar belakang tersebut, penulis tertarik untuk melakukan penelitian yang
lebih terarah dan responsif. Penulis akan menganalisis semua tahapan reformasi dengan
metode Density-Based Spatial Clustering of Applications with Noise (DBSCAN) dan
memodelkan ketahanan indikator ketenagakerjaan menggunakan model regresi Cox
Proportional Hazard (Cox PH). Metode DBSCAN digunakan untuk mengelompokkan
provinsi berdasarkan nilai IPM, IP-TIK, Proporsi Keterampilan TIK, TPAK, dan TPT
pada periode 2017-2021. Model regresi Cox PH digunakan untuk mengukur probabilitas
dan waktu bertahan tiap indikator di setiap provinsi dalam mencapai Indonesia Emas
2045.
2. Pembahasan
Data yang digunakan pada penelitian ini diperoleh dari Badan Pusat Statistik (BPS) RI.
Data sekunder yang digunakan meliputi data tahunan dari tahun 2017 hingga tahun
2021 dari seluruh provinsi di Indonesia. Data-data yang diperoleh akan dijadikan
sebagai dataset untuk melakukan analisis dengan menggunakan model regresi Cox PH.
Variabel Keterangan
Persentase Remaja dan Dewasa Usia Menunjukkan persentase penduduk usia 15-24
SEC_SD2023020000299
Tingkat Partisipasi Angkatan Kerja Menunjukkan persentase penduduk usia kerja (15
(TPAK) tahun ke atas) yang tergolong angkatan kerja.
Z-Score normalization adalah salah satu bagian dari metode statistika yang biasa
digunakan dalam bidang big data. Metode Z-Score dilakukan dengan cara
mentransformasi dataset (Prihanditya & Alamsyah, 2020). Nilai dari Z-Score ini
dihasilkan dari hasil nilai rata-rata dan standar deviasi pada dataset yang
digunakan. Sebelum dilakukan normalisasi, nilai dari dataset terlebih dahulu di rata-
ratakan berdasarkan IPM, IP-TIK, TIK, TPAK dan TPT per provinsi pada tahun 2017
sampai 2021. Hasil normalisasi dataset ditunjukkan pada Tabel 2.2.
Tabel 2.2 Rata-rata indikator reformasi ketenagakerjaan per provinsi tahun 2017 – 2021
Berdasarkan Tabel 2.2, nilai dari IPM, IP-TIK, TIK, TPAK, dan TPT per provinsi pada
tahun 2017 sampai 2021 sudah memiliki skala yang sama sehingga proses analisis
DBSCAN dapat dilanjutkan. Selain itu, diperoleh informasi bahwa nilai IPM, IP-TIK,
TIK, TPAK, dan TPT bervariatif untuk setiap provinsi di Indonesia.
SEC_SD2023020000299
Gambar 2 menunjukkan bahwa terdapat 2 klaster yang terbentuk berdasarkan nilai rata-
rata hasil normalisasi untuk indikator IPM, IP-TIK, TIK, TPAK, dan TPT per provinsi
di Indonesia. Klaster 1 terdiri dari provinsi-provinsi dengan IPM, TIK, dan IP-TIK
rendah, TPAK menengah-tinggi, serta TPT rendah-menengah. Provinsi-provinsi pada
klaster 1 kurang maju dalam Sumber Daya Manusia (SDM) dan teknologi, tetapi cukup
baik dalam aspek partisipasi kerja, sedangkan klaster 2 terdiri dari provinsi-provinsi
dengan IPM, TIK, dan IP-TIK tinggi, TPAK rendah-menengah, serta TPT menengah-
tinggi. Provinsi-provinsi ini maju dalam aspek SDM dan teknologi, tetapi kurang baik
dalam aspek partisipasi kerja. Perbedaan ini sejalan dengan penelitian Awaad & Hefny
(2022) serta penelitian Gan dkk. (2022) yang menyatakan bahwa perbedaan klaster
dipengaruhi oleh aspek indikator didalamnya. Lebih jelasnya, trend IPM, TIK, IP-TIK,
TPAK, dan TPT tiap provinsi mulai tahun 2017-2021 dapat dilihat pada Lampiran.
2.2.3. Analisis survival menggunakan model regresi Cox proportional hazards dan
pengamatan interval waktu bertahan tiap indicator
Analisis survival merupakan metode analisis data yang bertujuan untuk mengetahui
hasil sebuah variabel yang memberikan pengaruh dari awal kejadian sampai akhir
kejadian (Sauddin dkk., 2021) Salah satu metode analisis survival yang sering
digunakan adalah model regresi Cox proportional hazard (Cox PH). Model regresi Cox
PH dioperasikan secara luas untuk memodelkan data kelangsungan hidup. Model ini
digunakan untuk menganalisis hubungan antara faktor-faktor risiko atau prediktor
dengan risiko kejadian. model regresi Cox PH juga dapat digunakan untuk menghitung
probabilitas terjadinya suatu kejadian dalam rentang waktu tertentu, dengan
mempertimbangkan adanya kejadian lain yang dapat mempengaruhi kejadian tersebut
(Kausar dkk., 2022). Menurut Sujiono dkk. (2023) model regresi Cox PH dapat
dituliskan persamaan (1) berikut:
∑ β j x ji
hi ( t| X )=h0 ( t ) exp ( β 1 x 1i + β 2 x 2 i +…+ β p x pi ) =h0 ( t ) e j=1
(1)
Dimana:
Model regresi Cox PH diatas digunakan untuk menganalisis hubungan antara waktu
keberlangsungan IPM, TIK, IP-TIK, TPAK, dan TPT untuk setiap provinsi di
Indonesia. Indikator TPT sebagai variabel dependen dan indikator IPM, TIK, IP-TIK,
dan TPAK sebagai variabel independen.Variabel TPT dipilih menjadi variabel
dependen karena TPT menunjukkan partisipasi angkatan kerja dan tingkat kesejahteraan
masyarakat di suatu negara (Mahendra dkk., 2021). Selanjutnya, variabel seperti IPM,
IP-TIK, TIK, dan TPAK dipilih sebagai variabel independen karena diasumsikan bahwa
variabel-variabel tersebut berhubungan langsung dengan kualitas, kesiapan, literasi
SEC_SD2023020000299
digital, serta partisipasi SDM berdasarkan aspek TIK yang secara komprehensif
berkontribusi dalam menurunkan TPT. Model regresi Cox PH yang terbentuk dari
variabel-variabel diatas ditunjukkan pada Tabel 2.3.
Berdasarkan Tabel 2.3 didapatkan bentuk umum dari model Cox PH ditunjukan pada
persamaan (2) berikut:
h ( t∨X ) =h0 ( t ) exp [ 0.791 IPM −0.948 IPTIK −0.230 TIK +1.032 TPAK ]
(2)
Model regresi Cox PH yang terbentuk menunjukkan bahwa variabel IPM, IP-TIK, dan
TIK memiliki koefisien negatif, sedangkan variabel TPAK memiliki koefisien positif.
Koefisien negatif menunjukkan adanya hubungan terbalik antara variabel independen
dan variabel dependen, sedangkan koefisien positif menunjukkan adanya hubungan
searah (Paputungan dkk., 2023). Hal ini berarti bahwa semakin tinggi nilai IPM, IP-
TIK, dan TIK, maka semakin rendah risiko TPT meningkat. Sebaliknya, semakin tinggi
nilai TPAK, maka semakin tinggi risiko TPT meningkat.
Berdasarkan Tabel 2.4, diperoleh nilai p-value untuk semua variabel > 0.05. Hal
tersebut membuktikan bahwa semua variabel independen berpengaruh signifikan
terhadap variabel dependen, sehingga dapat disimpulkan bahwa tidak terjadi
pelanggaran asumsi proportional hazard. Asumsi ini sangat penting untuk dipenuhi
agar nilai hazard ratio yang diestimasi menggunakan model regresi Cox PH konstan
sepanjang waktu (Kuitunen dkk., 2021). Dengan demikian, model regresi Cox PH yang
digunakan sudah memenuhi syarat dan dapat digunakan untuk menganalisis data .
Selanjutnya, dilakukan perhitungan hazard ratio dengan taraf signifikansi 5% untuk
mengukur signifikansi pengaruh IPM, IP-TIK, TIK, dan TPAK terhadap TPT. Hasil
perhitungan hazard ratio ditujukan pada Tabel 2.5.
Tabel 2.5 merupakan hasil dari model Cox proportional hazard yang digunakan untuk
mengukur probabilitas keberlangsungan indikator ketenagakerjaan tiap provinsi
berdasarkan partisipasi angkatan kerja dan tingkat kesejahteraan masyarakat dalam
mencapai Indonesia Emas 2045. Model ini telah digunakan oleh beberapa penelitian
sebelumnya untuk menganalisis faktor-faktor yang mempengaruhi waktu survival pada
suatu kejadian atau peristiwa tertentu (Wuryandari dkk., 2021). Sejalan dengan hal
tersebut, diperlukan perhitungan persentase peningkatan risiko TPT sebagai variabel
dependen dalam menentukan peningkatan setiap indikator ketenagakerjaan yang telah
ditentukan. Persentase risiko TPT dapat dihitung menggunakan persamaan (3) berikut:
SEC_SD2023020000299
3. Penutup
3.1. Kesimpulan
partisipasi kerja. Klaster 2 terdiri dari provinsi-provinsi yang maju dalam SDM dan
teknologi, tetapi kurang baik dalam partisipasi kerja. Hasil regresi Cox PH
menunjukkan bahwa IPM, IP-TIK, dan TIK berpengaruh negatif terhadap TPT,
sedangkan TPAK berpengaruh positif terhadap TPT.
Rekomendasi serta kebijakan yang perlu diterapkan pada kedua klaster tersebut yakni,
untuk klaster 1 perlu meningkatkan IPM, IP-TIK, dan TIK yang rendah-menengah
dengan mengembangkan kualitas pendidikan, kesehatan, dan pemanfaatan teknologi di
masyarakat. Kebijakan yang dapat diterapkan adalah mengacu pada Permenpan RB
Nomor 5 Tahun 2020 tentang Pedoman Manajemen Risiko Sistem Pemerintahan
Berbasis Elektronik. Peraturan ini dapat dilakukan dengan cara mengalokasikan
anggaran yang cukup untuk sektor-sektor tersebut, menyediakan fasilitas dan
infrastruktur yang memadai, serta memberikan bantuan dan pelatihan yang sesuai
dengan kebutuhan masyarakat.
Hal ini juga sejalan dengan klaster 2 dimana perlu meningkatkan TPAK dan
menurunkan TPT yang rendah-menengah dengan cara meningkatkan partisipasi dan
kualitas angkatan kerja. Kebijakan yang dapat diterapkan adalah mengacu pada UU
Nomor 13 Tahun 2003 tentang Ketenagakerjaan. Peraturan ini dapat diimplementasikan
dengan mengembangkan sektor-sektor ekonomi yang potensial dan berdaya saing,
menyediakan lapangan pekerjaan yang sesuai dengan keterampilan dan kompetensi
masyarakat, serta memberikan bantuan dan perlindungan bagi pekerja yang mengalami
kesulitan atau kehilangan pekerjaan.
3.2. Saran
Penelitian tentunya dilakukan dengan tujuan memperoleh hasil yang maksimal dan
bermanfaat. Maka dari itu, berikut penulis memberikan beberapa saran untuk
memaksimalkan penelitian kedepannya.
4. Daftar Pustaka
Huang, Q., & Tian, C. (2022). Visualizing Time-Varying Effect in Survival Analysis: 5
Complementary Plots to Kaplan-Meier Curve. Oxidative Medicine and Cellular
Longevity, 2022, 1–12. https://doi.org/10.1155/2022/3934901
Kausar, T., Akbar, A., & Qasim, M. (2022). Influence diagnostics for the Cox proportional
hazards regression model: method, simulation and applications. Journal of Statistical
Computation and Simulation, 93(10), 1580–1600.
https://doi.org/10.1080/00949655.2022.2145608
Kementerian PPN/Bappenas. (2019). Ringkasan Eksekutif Visi Indonesia 2045.
www.bappenas.go.id
Kuitunen, I., Ponkilainen, V. T., Uimonen, M. M., Eskelinen, A., & Reito, A. (2021). Testing
the proportional hazards assumption in Cox regression and dealing with possible non-
proportionality in total joint arthroplasty research: methodological perspectives and
review. BMC Musculoskeletal Disorders, 22(1), 1–7. https://doi.org/10.1186/s12891-
021-04379-2
Liu, B. (2022). Statistical Analysis of Employment Education in Colleges and Universities
Based on Improved Clustering Algorithm. Security and Communication Networks, 1–
12. https://doi.org/10.1155/2022/5776831
Mahendra, K. Y., Susilawati, M., & Suciptawati, N. L. P. (2021). Memodelkan Tingkat
Pengangguran Terbuka di Indonesia. E-Jurnal Matematika, 10(1), 20.
https://doi.org/10.24843/mtk.2021.v10.i01.p315
Muhyiddin, M. (2019). Future Challenges on Indonesia’s Vision 2045. Jurnal Perencanaan
Pembangunan: The Indonesian Journal of Development Planning, 3(1).
https://doi.org/10.36574/jpp.v3i1.63
Novianto, R., & Goeirmanto, L. (2019). Penerapan Data Mining Menggunakan Algoritma K-
Means Clustering untuk Menganalisa Bisnis Perusahaan Asuransi. Jurnal Teknik
Informatika dan Sistem Informasi, 6(1), 85–95. http://jurnal.mdp.ac.id
Paputungan, C., Lapian, A. L. Ch. P., & Kawung, G. M. V. (2023). Analisis Pengeluaran
Pemerintah Terhadap Pemenuhan Standar Pelayanan Minimal Bidang Perumahan di
Kota Kotamobagu. Jurnal Pembangunan Ekonomi dan Keuangan Daerah, 24(2), 163–
177.
SEC_SD2023020000299
Prihanditya, H. A., & Alamsyah. (2020). The Implementation of Z-Score Normalization and
Boosting Techniques to Increase Accuracy of C4.5 Algorithm in Diagnosing Chronic
Kidney Disease. Joscex, 1(1), 63–69.
Sauddin, A., Nawawi, M. I., & Muhalki. (2021). Analisis Survival dengan Menggunakan
Metode Kaplan Meier pada Penderita Penyakit Demam Berdarah Dengue (DBD).
Jurnal Sehat Mandiri, 16(2), 21–32. https://doi.org/10.33761/jsm.v16i2.358
Sujiono, A. F. R., Sanusi, W., & Side, S. (2023). Analisis Survival Menggunakan Metode
Regresi Cox Pasien Penderita Tifus di RSUD Syekh Yusuf Kabupaten Gowa. E-Jurnal
Matematika, 12(1), 1–8. https://doi.org/10.24843/mtk.2023.v12.i01.p392
Syafiyah, U., Asrafi, I., Wicaksono, B., Puspitasari, D. P., & Sirait, M. (2020). Analisis
Perbandingan Hierarchical dan Non-Hierarchical Clustering Pada Data Indikator
Ketenagakerjaan di Jawa Barat Tahun 2020. Analisis Perbandingan Metode Cluster
Data Indikator Ketenagakerjaan di Jabar2020, 803–811.
Wuryandari, T., Danardono, & Gunardi. (2021). Model Regresi Cox Proporsional Hazard
pada Data Durasi Proses Kelahiran dengan Ties. Statistika, 9(1), 47–55.
Yang, Y., Qian, C., Li, H., Gao, Y., Wu, J., Liu, C. J., & Zhao, S. (2022). An efficient
DBSCAN optimized by arithmetic optimization algorithm with opposition-based
learning. Journal of Supercomputing, 78(18), 19566–19604.
https://doi.org/10.1007/s11227-022-04634-w
Zikir, A., Nurfadilah, K., Irwan, & Adiatma. (2022). Perbandingan Metode Clustering
Dengan Menggunakan Metode Average Linkage Dan Metode K-Means Pada Industri
Kecil Dan Menengah Di Kabupaten Wajo. Jurnal Matematika dan Statistika serta
Aplikasinya, 10(2).
SEC_SD2023020000299
LAMPIRAN
SEC_SD2023020000299
SEC_SD2023020000299