Potensi Pemanfaatan Machine Learning dan Transfer Learning untuk Klasifikasi Baku Pekerjaan

Abstract

Pemantauan kondisi data ketenagakerjaan di Indonesia melibatkan klasifikasi baku untuk memberikan keseragaman konsep. Proses pengkodean sangat bergantung pada pengetahuan petugas, yang seringkali dapat menimbulkan permasalahan seperti kemungkinan adanya perbedaan pemahaman dan interpretasi antar individu yang menyebabkan inkonsistensi hasil pengkodean klasifikasi baku. Penelitian ini bertujuan untuk mengeksplorasi peluang pemanfaatan Machine Learning dalam pengkodean Klasifikasi Lapangan Usaha Indonesia (KBLI) dan Klasifikasi Baku Jabatan Indonesia (KBJI). Model dikembangkan dan dievaluasi untuk melakukan klasifikasi kode KBLI dan KBJI berdasarkan pertanyaan terbuka mengenai apa yang dikerjakan, output yang dihasilkan dan bidang pekerjaan oleh responden yang dikumpulkan melalui Survei Angkatan Kerja Nasional (Sakernas). Hasil penelitian menunjukkan bahwa walaupun hasil performa metode IndoBERT sedikit lebih unggul dengan angka accuracy sebesar 0,76 pada pemodelan KBLI dan 0,65 untuk KBJI. Keunggulan tersebut tidak terlalu signifikan dengan beban komputasi yang lebih besar dan proses training yang menghabiskan waktu lebih lama dibanding machine learning.