Transformasi Kebijakan Ketenagakerjaan Menuju Indonesia Emas 2045: Pemanfaatan Machine Learning dalam Analisis Risiko Pengangguran

Abstract

Indonesia tengah mengalami transisi positif dalam pembangunan, ditandai dengan peningkatan populasi produktif dan kapasitas ekonomi selama dua dekade terakhir. Dengan visi "Indonesia Emas 2045" bangsa ini berupaya untuk meningkatkan pembangunan di berbagai sektor, termasuk ketenagakerjaan, dengan mengurangi tingkat pengangguran. Bonus demografi menghadirkan peluang sekaligus tantangan, di mana ada potensi peningkatan produktivitas tetapi juga berisiko meningkatkan tingkat pengangguran jika tidak dikelola dengan baik. Studi ini menggunakan machine learning yang bertujuan untuk mengevaluasi dan menganalisis risiko pengangguran berdasarkan karakteristik demografi, pendidikan, pelatihan, dan partisipasi program pra-kerja. Menggunakan data sekunder dari Survei Angkatan Kerja Nasional (SAKERNAS), penelitian ini menerapkan model seperti Random Forest, Gradient Boosting, Extreme Gradient Boosting, dan K-Nearest Neighbor. Hasil menunjukkan bahwa keempat model kurang sensitif untuk memprediksi pengangguran, namun berkinerja baik untuk memprediksi kejadian pada kelas bekerja. Tingkat pendidikan dan status perkawinan menjadi prediktor signifikan. Sementara, penerimaan kartu pra-kerja tidak memberikan kontribusi signifikan terhadap penurunan risiko pengangguran.