SEC_SD2023020000299

STATISTICS ESSAY COMPETITION

SATRIA DATA 2023
Universitas Brawijaya

Resiliensi Ketahanan Indikator Reformasi Ketenagakerjaan menuju

Intensi Megatren Indonesia Emas 2045 melalui Pendekatan Model
Regresi Cox Proportional Hazard

Ketenagakerjaan

SEC_ SD2023020000299

1. Pendahuluan

1.1. Latar Belakang

Indonesia merupakan negara berkembang yang saat ini tengah bertransformasi menjadi
negara maju. Dalam proses transformasi ini, Indonesia menghadapi berbagai tantangan,
fluktuasi, dan dinamika yang kompleks dan tidak terduga (Ananta, 2020). Oleh karena
itu, Indonesia harus mampu menyesuaikan diri dan menyelesaikan setiap masalah yang
timbul. Untuk mewujudkan visi menjadi negara maju, pemerintah Indonesia telah
merumuskan program besar yang disebut Indonesia Emas 2045. Program ini bertujuan
untuk menjadikan Indonesia sebagai bangsa yang besar, maju, bermartabat, dan berdaya
saing dengan negara-negara lain (Efendi dkk., 2021).

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).

Untuk mencapai target tersebut, diperlukan analisis mendalam untuk mengetahui

strategi yang tepat. Beberapa penelitian terkait telah dilakukan oleh Awaludin (2019),
Syafiyah dkk. (2020), dan Liu (2022). Awaludin (2019) membahas mengenai
pemahaman SDM berdasarkan aspek TIK dan strategi kedepannya di Kabupaten
Bandung dengan menggunakan metode e-learning. Syafiyah dkk. (2020) menganalisis
indikator ketenagakerjaan pada tahun 2020 di Jawa Barat dengan menggunakan metode
klaster hierarki dan non-hierarki. Liu (2022) dalam tulisannya membahas mengenai
pengelompokan dan situasi pendidikan ketenagakerjaan di perguruan tinggi yang ada di
Cina menggunakan algoritma klasterisasi. Namun, ketiga penelitian tersebut berfokus
pada proses klasterisasi wilayah saja tanpa melakukan analisis lanjutan untuk
mengetahui perkembangan risiko kedepannya.

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.

1.2. Tahapan Penelitian

Adapun tahapan yang diterapkan pada penelitian ini, yakni:

 Studi Literatur: Melakukan penelusuran terkait permasalahan dan kebaruan

penelitian.
 Pengumpulan Data: Mengumpulkan data untuk melakukan proses analisis.
 Pengolahan Data: Melakukan normalisasi data agar skala pada setiap indikator
sama sehingga, memudahkan dalam tahapan analisis.
 SEC_SD2023020000299

 Klasterisasi DBSCAN: Membentuk klaster yang berisi provinsi-provinsi di

Indonesia dengan mempertimbangkan nilai Indeks Pembangunan Manusia (IPM),
Indeks Pembangunan Teknologi dan Komunikasi (IP-TIK), Persentase Remaja dan
Dewasa Usia 15-24 Tahun dengan Kompetensi Teknologi Informasi dan Komputer
(TIK), Tingkat Partisipasi Angkatan Kerja (TPAK), dan Tingkat Pengangguran
Terbuka (TPT).
 Analisis Ketahanan Indikator Ketenagakerjaan: Menghitung probabilitas dan waktu
bertahan tiap indikator di setiap provinsi dalam mencapai Indonesia Emas 2045
setiap provinsi di Indonesia.
 Analisa: Menginterpretasikan hasil dari proses klasterisasi DBSCAN dan model
regresi Cox PH untuk memudahkan dalam pengambilan keputusan.
 Kesimpulan: Menentukan dan merumuskan kebijakan yang terbaik berdasarkan
proses analisa yang telah dilakukan.

2. Pembahasan

2.1. Sumber Data

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.

Tabel 2.1 Variabel dan Keterangan Dataset

Variabel Keterangan

Menunjukkan ukuran yang menggabungkan tiga

dimensi peningkatan kualitas manusia, yaitu
Indeks Pembangunan Manusia (IPM)
angka harapan hidup, kualitas pendidikan, dan
pendapatan.

Menunjukkan ukuran standar tingkat

Indeks Pembangunan Teknologi dan
pembangunan TIK di suatu wilayah yang dapat
Komunikasi (IP-TIK)
diperbandingkan antar waktu dan antar wilayah.

Persentase Remaja dan Dewasa Usia Menunjukkan persentase penduduk usia 15-24
 SEC_SD2023020000299

15-24 Tahun dengan Kompetensi

tahun yang memiliki keterampilan dasar dalam
Teknologi Informasi dan Komputer
menggunakan komputer dan internet.
(TIK)

Tingkat Partisipasi Angkatan Kerja Menunjukkan persentase penduduk usia kerja (15
(TPAK) tahun ke atas) yang tergolong angkatan kerja.

Menunjukkan persentase penduduk usia kerja

Tingkat Pengangguran Terbuka (TPT) yang tidak bekerja sama sekali pada minggu
referensi survei dan sedang mencari pekerjaan.

Sumber : Badan Pusat Statistik (2023)

2.2. Pengolahan Data

2.2.1. Normalisasi data dengan metode z-score

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

PROVINSI IPM TIK IP-TIK TPAK TPT

Aceh 0.214 -0.020 -0.595 -1.305 0.799
Sumatera Utara 0.184 0.245 -0.192 0.631 0.497
Sumatera Barat 0.342 0.257 0.037 0.175 0.540
Riau 0.467 0.148 0.181 -0.776 0.325
Jambi 0.061 -0.017 -0.197 -0.260 -0.499
Sumatera Selatan -0.257 -0.130 -0.388 0.347 -0.317
Bengkulu 0.062 0.082 -0.134 0.931 -1.040
Lampung -0.363 0.337 -0.653 0.566 -0.401
 SEC_SD2023020000299

Kep. Bangka Belitung 0.076 1.044 -0.161 -0.272 -0.538

Kep. Riau 1.137 1.359 1.344 -0.389 1.813
DKI Jakarta 2.501 0.747 2.948 -1.118 1.220
Jawa Barat 0.249 0.862 0.615 -1.387 2.181
Jawa Tengah 0.191 1.536 0.137 0.252 -0.078
DI Yogyakarta 2.270 0.636 2.048 1.105 -0.896
Jawa Timur 0.140 0.576 0.192 0.296 -0.373
Banten 0.371 1.053 0.709 -1.407 2.157
Bali 1.111 -0.283 1.344 2.222 -1.477
Nusa Tenggara Barat -0.742 -1.892 -0.786 0.378 -0.919
Nusa Tenggara Timur -1.504 -0.571 -1.545 1.192 -1.063
Kalimantan Barat -0.867 -0.020 -0.736 0.389 -0.169
Kalimantan Tengah -0.010 0.547 -0.120 0.453 -0.699
Kalimantan Selatan -0.045 0.817 0.159 0.659 -0.499
Kalimantan Timur 1.366 0.582 1.269 -0.636 1.126
Kalimantan Utara -0.013 0.256 0.744 -0.478 0.054
Sulawesi Utara 0.477 -0.592 0.283 -1.509 0.855
Sulawesi Tengah -0.393 0.377 -0.551 0.429 -0.961
Sulawesi Selatan 0.174 -0.003 -0.084 -1.380 0.225
Sulawesi Tenggara 0.059 0.048 -0.178 0.612 -0.925
Gorontalo -0.643 -0.827 -0.344 -0.137 -0.840
Sulawesi Barat -1.313 -1.245 -1.161 0.470 -1.330
Maluku -0.399 -1.841 -0.476 -1.519 1.359
Maluku Utara -0.642 -1.015 -1.178 -0.949 -0.107
Papua Barat -1.607 -3.411 -0.261 -0.039 0.889
Papua -2.653 0.358 -2.271 2.455 -0.910

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

2.2.2. Klasterisasi dan pengamatan trend tiap indikator

Setelah melakukan normalisasi data, langkah selanjutnya adalah melakukan klasterisasi

data. Klaster adalah sekumpulan data yang memiliki kemiripan antara satu data dengan
data lainnya dalam kelompok yang sama, dan perbedaan dengan data dalam kelompok
lainnya (Novianto & Goeirmanto, 2019). Metode klaster yang digunakan pada
penelitian ini adalah metode Density-Based Spatial Klastering of Application with
Noise (DBSCAN). Metode ini membentuk area berdasarkan kepadatan terkoneksi
dengan mempertimbangkan tingkat kedekatan atau kerapatan jarak antar objek dalam
suatu dataset (Creţulescu dkk., 2019). Hasil klasterisasi menggunakan metode
DBSCAN ditunjukkan pada Gambar 1.

Gambar 1. Hasil Klasterisasi DBSCAN

Lebih jelasnya dapat dilihat pada peta berikut:

Gambar 2. Peta Klasterisasi 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.

Hasil klasterisasi ini menunjukkan perbedaan karakteristik antara provinsi-provinsi di

Indonesia dalam hal indikator ketenagakerjaan. Berdasarkan klaster yang terbentuk,
upaya yang perlu dilakukan untuk mencapai Indonesia Emas 2045 adalah dengan
merencanakan kebijakan dan strategi yang bertujuan untuk meningkatkan IPM, TIK, IP-
TIK, dan TPT yang rendah-menengah khususnya pada provinsi-provinsi yang termasuk
dalam klaster 1. Hal ini dapat meningkatkan kualitas SDM dan pemanfaatan teknologi
serta mengurangi pengangguran dan kemiskinan. Pada provinsi-provinsi yang termasuk
dalam klaster 2 diperlukan perancangan kebijakan dan strategi yang bertujuan untuk
meningkatkan TPAK dan TPT yang rendah-menengah. Penanganan klaster telah
dibahas oleh Yang dkk. (2022) serta Choi & Hong (2021) yang menulis bahwa
diperlukan kebijakan lebih lanjut untuk mengatasi indikator pada klaster yang
mengalami perbedaan atau penurunan. Hal ini dapat meningkatkan partisipasi dan
kualitas angkatan kerja serta mengurangi pengangguran terbuka dan terselubung.
Dengan demikian, provinsi-provinsi ini dapat beradaptasi lebih baik dengan perubahan-
perubahan pasar tenaga kerja di masa depan. Peningkatan partisipasi angkatan kerja
dalam mencapai target Indonesia Emas 2045 juga ditulis oleh Muhyiddin (2019) yang
menyatakan bahwa diperlukan upaya strategis dari peningkatan kesejahteraan sosial,
transformasi ekonomi, dan reformasi ketenagakerjaan untuk mencapai target Indonesia
Emas 2045.
 SEC_SD2023020000299

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:

hi ( t| X ) : Fungsi kegagalan individu/indikator ke-i

h0 ( t ) : Fungsi kegagalan dasar.
x ij : Nilai variabel ke-j dari individu/indikator ke-I dengan j=1,2,...,p dan
i=1,2,...,n.
βj : Koefisien regresi ke-j dengan j=1,2,...,p.

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.

Tabel 2.3 Model regresi Cox PH

Koefisien Eksponen Standar Error Z- (p-value)

Score

IPM 0.791 2.205 0.217 3.651 0.000

IP-TIK -0.948 0.387 0.202 -4.700 0.000
TIK -0.230 0.794 0.089 -2.562 0.010
TPAK 1.032 2.806 0.104 -2.562 0.000

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.

Selanjutnya, dilakukan pengujian asumsi proportional hazard dengan menggunakan uji

Goodness of Fit (GoF). Hasilnya dapat dilihat pada Tabel 2.4.

Tabel 2.4 Pengujian asumsi proportional hazard

Chi-Square Derajat Bebas p-value

IPM 0.473 1 0.492

IP-TIK 2.186 1 0.139
TIK 0.283 1 0.595
 SEC_SD2023020000299

TPAK 3.436 1 0.064

GLOBAL 7.911 4 0.095

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 Nilai hazard ratio

Hazard Ratio Lower CI Upper CI

IPM 2.205 1.442 3.370

IP-TIK 0.387 0.261 0.575

TIK 0.794 0.666 0.947

TPAK 2.806 2.288 3.442

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

Risiko TPT meningkat ( % )=( Hazard Ratio−1 ) ×100 %

(3)

Berdasarkan persamaan diatas, diperoleh persentase risiko TPT berdasarkan indikator

ketenagakerjaan, dimana hasil perhitungannya dapat diinterpretasikan sebagai berikut:
 Output nilai hazard ratio menunjukkan bahwa IPM yang tinggi juga berarti TPT
yang tinggi. Semakin tinggi TPT, semakin banyak orang yang tidak bekerja. Terlihat
bahwa setiap kenaikan satu satuan IPM akan membuat kemungkinan TPT naik
sebesar 120.5%. Ini berarti bahwa provinsi dengan IPM yang meningkat satu satuan
akan memiliki kemungkinan TPT dua kali lebih tinggi daripada provinsi dengan IPM
standar. Nilai hazard ratio ini signifikan secara statistik karena interval kepercayaan
95% tidak meliputi angka 1.
 Output nilai hazard ratio menunjukkan bahwa IP-TIK yang tinggi juga berarti TPT
yang rendah. Terlihat bahwa setiap kenaikan satu satuan IP-TIK akan membuat
kemungkinan TPT turun sebesar 61.3%. Ini berarti bahwa provinsi dengan IP-TIK
yang meningkat satu satuan akan memiliki kemungkinan TPT lebih dari setengah
lebih rendah daripada provinsi dengan IP-TIK standar. Nilai hazard ratio ini
signifikan secara statistik karena interval kepercayaan 95% tidak meliputi angka 1.
 Output nilai hazard ratio menunjukkan bahwa TIK yang tinggi juga berarti TPT
yang rendah. Terlihat bahwa setiap kenaikan satu satuan TIK akan membuat
kemungkinan TPT turun sebesar 20.6%. Ini berarti bahwa provinsi dengan TIK yang
meningkat satu satuan akan memiliki kemungkinan TPT seperlima lebih rendah
daripada provinsi dengan TIK standar. Nilai hazard ratio ini signifikan secara
statistik karena interval kepercayaan 95% tidak meliputi angka 1.
 Output nilai hazard ratio menunjukkan bahwa TPAK yang tinggi juga berarti TPT
yang tinggi. Terlihat bahwa setiap kenaikan satu satuan TPAK akan membuat
kemungkinan TPT naik sebesar 180.6%. Ini berarti bahwa provinsi dengan TPAK
yang meningkat satu satuan akan memiliki kemungkinan TPT hampir tiga kali lebih
tinggi daripada provinsi dengan TPAK standar. Hubungan antara TPAK dan TPT ini
bukan kebetulan, tetapi ada alasan yang nyata di baliknya. Nilai hazard ratio ini
signifikan secara statistik karena interval kepercayaan 95% tidak meliputi angka 1.
 SEC_SD2023020000299

Gambar 3 menunjukkan probabilitas keberlangsungan indikator ketenagakerjaan tiap

provinsi berdasarkan variabel TPT.

Gambar 3. Plot Kurva Kaplan-Meier

Gambar 3 menginterpretasikan bahwa pada awal waktu (tahun), survival probability

(peluang partisipasi angkatan kerja dan tingkat kesejahteraan masyarakat) sangat tinggi
karena pada saat itu semua indikator masih stabil dan belum mengalami kejadian.
Penurunan yang sangat drastis dalam kurung waktu 2 bulan awal mungkin disebabkan
oleh banyaknya subjek yang mengalami kejadian dalam waktu singkat. Penurunan yang
membentuk sudut siku-siku menunjukkan bahwa kejadian terjadi secara diskrit dan
tidak kontinu (Huang & Tian, 2022). Hal ini pun kemudian sejalan dengan garis strata
pada waktu setelah penurunan drastis yang menunjukkan bahwa pada jangka waktu 3
tahun kedepan, kondisi partisipasi angkatan kerja dan tingkat kesejahteraan masyarakat
mengalami penurunan yang cukup drastis sehingga diperlukan penanganan lebih lanjut
baik dari segi kebijakan maupun kondisi peluang lapangan pekerjaan di Indonesia.

3. Penutup

3.1. Kesimpulan

Penelitian ini menganalisis ketahanan indikator ketenagakerjaan tiap provinsi di

Indonesia dalam mencapai Indonesia Emas 2045 dengan metode klasterisasi DBSCAN
dan model regresi Cox PH. Hasilnya, terdapat dua klaster berdasarkan nilai IPM, IP-
TIK, TIK, TPAK, dan TPT per provinsi pada periode 2017-2021. Klaster 1 terdiri dari
provinsi-provinsi yang kurang maju dalam SDM dan teknologi, tetapi cukup baik dalam
 SEC_SD2023020000299

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.

1. Perlu pengembangkan metode analisis yang lebih komprehensif dan akurat

untuk mengukur probabilitas dan waktu bertahan tiap indikator di setiap
provinsi dalam mencapai Indonesia Emas 2045. Metode analisis yang dapat
digunakan antara lain adalah metode survival time regression, frailty models
atau competing risks models.
 SEC_SD2023020000299

2. Perlu melibatkan faktor-faktor lain yang mempengaruhi probabilitas dan waktu

bertahan tiap indikator di setiap provinsi dalam mencapai Indonesia Emas
2045.
3. Perlu mencoba menggunakan metode klasterisasi selain DBSCAN, misalnya
Fuzzy C-Means Clustering dan Agglomerative Clustering dalam penelitian
selanjutnya.

4. Daftar Pustaka

Ananta, A. (2020). Prospek Mega-Demografi Menuju Indonesia Emas 2045. Jurnal

Kependudukan Indonesia |, 15(2), 119–132.
Awaad, A. M., & Hefny, H. (2022). Parallel Implementation of Statistical DBSCAN
Algorithm for Spark-based Clustering on Google Cloud Platform. International Journal
of Intelligent Engineering & System, 16(2), 279–290.
Awaludin, L. (2019). Strategi Penguatan Kompetisi SDM Teknologi Informasi &
Komunikasi (TIK) dalam Mengoptimalkan Penerapan Sistem Pemerintahan Berbasis
Elektronik (SPBE). Paradigma Polistaat, 2(2), 118–134.
Badan Pusat Statistik. (2023). Diambil 3 Juli 2023, dari https://www.bps.go.id/
Choi, C., & Hong, S. Y. (2021). Mdst-dbscan: A density-based clustering method for
multidimensional spatiotemporal data. ISPRS International Journal of Geo-Information,
10(6), 1–16. https://doi.org/10.3390/ijgi10060391
Creţulescu, R. G., Morariu, D. I., Breazu, M., & Volovici, D. (2019). DBSCAN Algorithm
for Document Clustering. International Journal of Advanced Statistics and IT&C for
Economics and Life Sciences, 9(1), 58–66. https://doi.org/10.2478/ijasitels-2019-0007
Efendi, B. M. S., Aprilia, R., & Ruja, I. N. an. (2021). Teori Belajar Kognitif: Peran Teori
Kognitif Untuk Menyongsong Generasi Emas 2045. Urgensi Nasional: Optimalisasi
Sumber Daya Manusia Untuk Menyongsong Indonesia Emas 2045, 1, 46–55.
Gan, R., Zhou, F. X., Si, Y., Yang, H., Chen, C., Ren, C., Wu, J., & Zhang, F. (2022).
DBSCAN-SWA: An Integrated Tool for Rapid Prophage Detection and Annotation.
Frontiers in Genetics, 13, 1–7. https://doi.org/10.3389/fgene.2022.885048
Hidayat, T. (2022). Dinamika Revolusi Industri 4.0 Terhadap Knowledge Based Society
Menuju Transformasi Indonesia Emas 2045. Social, Humanities, and Education Studies
(SHEs): Conference Series, 5(3), 180–188. https://jurnal.uns.ac.id/shes
 SEC_SD2023020000299

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