NEET Analysis
M Ammar Alwandi
29 February, 2024
1 Latar Belakang
NEET (Not in Education, Employment, or Training) adalah kondisi dimana seseorang tidak sedang bekerja, sekolah, ataupun pelatihan.Youth NEET adalah salah satu Key Indicator of Labor Market (KILM) ke-10 mengenai Youth Employment.
2 Pre-Processing
2.1 Packages yang diperlukan
Packages foreign untuk membaca file berformat
.dbf Packages dplyr untuk melakukan
engineering data Packages srvyr untuk melakukan estimasi
statistik Packages survey untuk alternatif melakukan
estimasi statistik
##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union##
## Attaching package: 'srvyr'## The following object is masked from 'package:stats':
##
## filter2.2 Impor Data
Data yang digunakan adalah data SAK tahun 2020-2022, rencananya juga menggunakan data tahun 2023. Data yang dipakai dapat diakses disini
2.3 Format Kode Wilayah
2.4 Data Pre-Processing Menyamakan Kolom Antar Periode Data
svy_sak2022 <- rbind(dt2023 %>%
select(KODE_KAB, KODE_PROV, TAHUN,PSU,SSU=ROWINDEX,K1=ROWINDEX, K3, K6=K9, R4,
R5, Skill = R6D, Training=R6H,
R9A, R9B, R9C, R10,
R31A, R31B, R35A, R46D=R43D, K4, R6A, WEIGHT=WEIGHTR,
R13A, R14AKATEGO, R14BKBJI20, R15A_UANG = R15_UANG,
R15A_BRG = R15_BRG,
JAM_KERJA = R28B_JML, TAWARAN_KERJA = R36A,
TAMBAH_JAMKERJA = R29A,
R47A = R44A, R47B = R44B, R47E = R44D, R47F = R44G, R47G = R44I),
dt2022 %>%
select(KODE_KAB, KODE_PROV, TAHUN, PSU, SSU, K1, K3, K6, R4,
R5, Skill = R6D, Training=R6H,
R9A, R9B, R9C, R10,
R31A, R31B, R35A, R46D, K4, R6A, WEIGHT,
R13A, R14AKATEGO, R14BKBJI20, R15A_UANG,
R15A_BRG,
JAM_KERJA = R28B_JML, TAWARAN_KERJA = R36A,
TAMBAH_JAMKERJA = R29A,
R47A , R47B, R47E, R47F, R47G),
dt2021 %>%
select(KODE_KAB, KODE_PROV, TAHUN,PSU, SSU=NO_DSRT, K1, K3, K6, R4,
R5, Skill = R6D, Training=R6I,
R9A, R9B, R9C, R10=R10A,
R31A=R29A, R31B=R29B, R35A=R32A, R46D=R42D, K4, R6A,
WEIGHT=FINAL_WEIG,
R13A=R12A, R14AKATEGO = KBLI2020_1,
R14BKBJI20 = KBJI2014, R15A_UANG = R14A_UANG,
R15A_BRG = R14A2_BRG, JAM_KERJA = R27B_JML,
TAWARAN_KERJA = R33, TAMBAH_JAMKERJA = R28A,
R47A = R44A, R47B = R44B, R47E = R44E, R47F = R44F, R47G = R44G),
dt2020 %>%
select(KODE_KAB, KODE_PROV, TAHUN,PSU=ID_NKS, SSU=NO_DSRT, K1, K3, K6, R4,
R5, Skill = R6D, Training=R6E,
R9A, R9B, R9C,
R10=R10A,
R31A=R22A, R31B=R22B, R35A=R25A, R46D=R31D, K4, R6A,
WEIGHT=FINAL_WEIG,
R13A = R12A, R14AKATEGO = R13A_KATEG,
R14BKBJI20 = R13B_KBJI2, R15A_UANG = R14A1,
R15A_BRG = R14A2, JAM_KERJA = R20B,
TAWARAN_KERJA = R26, TAMBAH_JAMKERJA = R21A,
R47A = R27A, R47B = R27B, R47E=R27D, R47F = R27E, R47G = R27F)) %>%
#Sesuaikan Nama Kolom
mutate(TAHUN = substr(TAHUN, start=1, stop=4)) %>% #Buat Flag Tahun
mutate(Jenis_Kegiatan =
case_when(K6 >= 15 & (R9A==1 | R9B==1 | R9C==1 | R10==1) ~ '1. Bekerja',
K6 >= 15 & ((R9A==2 & R9B==2 & R9C==2 & R10==2 & R31A==1)) |
K6 >= 15 & ((R9A==2 & R9B==2 & R9C==2 &
R10==2 & R31A==2 & R31B==1)) |
K6 >= 15 & ((R9A==2 & R9B==2 & R9C==2 &
R10==2 & R31A==2 & R31B==2 & R35A<=3)) ~ '2. Pengangguran',
K6 >= 15 & (R9A==2 & R9B==2 & R9C==2 &
R10==2 & R31A==2 & R31B==2 & R35A>3 & R46D==1) ~ '4. Sekolah',
K6 >= 15 & (R9A==2 & R9B==2 & R9C==2 &
R10==2 & R31A==2 & R31B==2 & R35A>3 & R46D==2) ~ '5. Mengurus Rumah Tangga',
K6 >= 15 & (R9A==2 & R9B==2 & R9C==2 & R10==2 &
R31A==2 & R31B==2 & R35A>3 & R46D %in% c(3,4)) ~ '6. Lainnya',
K6 < 15 ~ '7. Bukan Usia Kerja')) %>%
mutate(Jenis_Kegiatan2 = ifelse(Jenis_Kegiatan == '1. Bekerja', '1. Bekerja',
ifelse(Jenis_Kegiatan == '2. Pengangguran', '2. Pengangguran',
ifelse(Jenis_Kegiatan %in%
c('3. Bukan Angkatan Kerja',
'4. Sekolah',
'5. Mengurus Rumah Tangga',
'6. Lainnya'), '3. Bukan Angkatan Kerja',
'4. Bukan Usia Kerja')))) %>%
mutate(Jenis_Kegiatan3 = ifelse(Jenis_Kegiatan2 %in%
c('1. Bekerja','2. Pengangguran'), '1. Angkatan Kerja',
ifelse(Jenis_Kegiatan2 == '3. Bukan Angkatan Kerja','2. Bukan Angkatan Kerja','3. Bukan Usia Kerja'))) %>%
mutate(kelompok_umur = case_when(K6 >= 15 & K6 <= 19 ~ "15-19",
K6 >= 20 & K6 <= 24 ~ "20-24",
K6 >= 25 & K6 <= 29 ~ "25-29",
K6 >= 30 & K6 <= 34 ~ "30-34",
K6 >= 35 & K6 <= 39 ~ "35-39",
K6 >= 40 & K6 <= 44 ~ "40-44",
K6 >= 45 & K6 <= 49 ~ "45-49",
K6 >= 50 & K6 <= 54 ~ "50-54",
K6 >= 55 & K6 <= 59 ~ "55-59",
K6 >= 60 & K6 <= 64 ~ "60-64",
K6 >= 65 ~ "65+")) %>%
mutate(K4 = ifelse(K4==1,'Laki-laki','Perempuan'),
PENDIDIKAN = case_when(R6A <= 2 ~ '1. <= SD',
R6A == 3 ~'2. SMP',
R6A %in% c(4,5,6) ~ '3. SMA',
R6A %in% c(7,8,9,10,11,12) ~ '4. Perguruan Tinggi')) %>%
mutate(KBLI3 = ifelse(R14AKATEGO %in% 1, 'A. Pertanian',
ifelse(R14AKATEGO %in% c(2:6), 'B. Industri','C. Jasa'))) %>%
mutate(KBLI_Informal = ifelse(R13A %in% c(3,4),'Formal',
ifelse(R13A %in% c(1,2,5,6,7),'Informal','NULL'))) %>%
mutate(R4 = ifelse(R4 == 1,'Belum Kawin','Kawin/Pernah Kawin')) %>%
inner_join(kd_wilayah) %>% left_join(kd_kbli) %>%
as_survey_design(weights = WEIGHT)## Joining with `by = join_by(KODE_KAB, KODE_PROV)`
## Joining with `by = join_by(R14AKATEGO)`2.5 Assign NEET Flag
svy_sak2022 = svy_sak2022 %>%
mutate(NEET = ifelse(K6 >= 15 & K6 <= 24 & Training == 2 & R5 !=2 &
R9A ==2 & R9B ==2 & R9C ==2 & R10 == 2,'2. NEET','1. Non NEET'))svy_sak2022 = svy_sak2022 %>%
mutate(NEET_Info = ifelse(NEET == '1. Non NEET','Non NEET',
ifelse(R31A == 1 | R31B == 1 ,'1. Mencari Kerja',
ifelse(R31A == 2 & R35A == 5,
'2. Mengurus Rumah Tangga',
ifelse(R31A == 2 & R35A == 3,'3. Putus Asa',
ifelse(R31A == 2 & R35A == 6,'4. Kurangnya Infrastruktur',
ifelse(R31A == 2 & R35A == 7,'5. Tidak mampu melakukan pekerjaan',
'6. Lainnya')))))))svy_sak2022 = svy_sak2022 %>%
mutate(Wilayah = case_when(KODE_PROV %in% c(11:21) ~ "1. Sumatera",
KODE_PROV %in% c(31:36) ~ "2. Jawa",
KODE_PROV %in% c(51:53) ~ "3. Balinusra",
KODE_PROV %in% c(61:65) ~ "4. Kalimantan",
KODE_PROV %in% c(71:76) ~ "5. Sulawesi",
KODE_PROV %in% c(81:82,91,94) ~ "6. Maluku Papua"))3 Alasan dibalik NEET
3.1 Kegiatan NEET Seminggu terakhir
svy_sak2022 %>% filter(TAHUN == 2023) %>%
filter(NEET_Info != 'Non NEET') %>%
group_by(K4,NEET_Info) %>%
summarise(Jumlah = round(survey_prop()*100,2)) %>%
mutate(No = rep(6:1),
No_JK = ifelse(K4 == 'Laki-laki',2,1)) %>%
ggplot(aes(x=Jumlah, y=reorder(NEET_Info, No),
fill=reorder(K4, No_JK))) +
geom_col(position = 'dodge') +
theme_minimal() +
labs(x='Persentase (%)',y='Kegiatan NEET Seminggu Terakhir', fill = 'Jenis Kelamin') +
scale_x_continuous(breaks=c(0:10)*10) +
scale_fill_manual(values = c('#D14958','#00798C'))## When `proportion` is unspecified, `survey_prop()` now defaults to `proportion = TRUE`.
## ℹ This should improve confidence interval coverage.
## This message is displayed once per session.
4 Analisis Pra Kerja
4.1 Pra Kerja Overview
library(dplyr)
library(srvyr)
Persentase_Prakerja12 <- svy_sak2022 %>%
mutate(NEET = ifelse(K6 <= 24 & K6 >= 15 & NEET == '2. NEET',
'1. NEET 15-24 Tahun',
ifelse(K6 <= 24 & K6 >= 15 & NEET == '1. Non NEET',
'2. Non Neet 15-24 Tahun','3. Non NEET > 24 Tahun'))) %>%
group_by(TAHUN,R47E, NEET) %>%
filter(R47F == 1) %>%
summarise(Jumlah = round(survey_prop()*100,2),
Jumlah_n = n())
plot2 <- Persentase_Prakerja12 %>%
ggplot(aes(x=TAHUN,y=Jumlah,group=NEET,fill=NEET)) +
geom_col() +
theme_minimal() +
labs(x='TAHUN',y='Persentase (%)') +
scale_y_continuous(breaks = c(0:10)*10) +
scale_fill_manual(values = c('#00798C','#EDAE49','#D14958')) +
theme(legend.position = 'right')
plot2
4.2 Visualisasi Tahapan NEET dalam kartu pra kerja
library(ggsankey)
df <- svy_sak2022$variables %>% filter(TAHUN == 2023) %>%
filter(K6 >=15 & K6 <= 24) %>%
filter(NEET == '2. NEET') %>%
select(NEET, K4, R47A, R47B, R47E, R47F, R47G) %>%
mutate(NEET = 'NEET Usia \n 15-24 Tahun',
R47A = case_when(R47A == 1 & K4 == 'Laki-laki' ~ '1. L Tahu',
R47A == 1 & K4 == 'Perempuan' ~ '2. P Tahu',
R47A == 2 & K4 == 'Laki-laki'~ '1. L Tidak Tahu',
R47A == 2 & K4 == 'Perempuan' ~ '2. P Tidak Tahu',
is.na(R47A) & K4 == 'Laki-laki' ~ '1.1 L NEET Usia < 18 Tahun',
is.na(R47A) & K4 == 'Perempuan' ~ '2.1 P NEET Usia < 18 Tahun'),
R47B = case_when(R47B == 1 & K4 == 'Laki-laki' ~ '1. L Mendaftar',
R47B == 1 & K4 == 'Perempuan' ~ '2. P Mendaftar',
R47B == 2 & K4 == 'Laki-laki'~ '1. L Tidak Mendaftar',
R47B == 2 & K4 == 'Perempuan' ~ '2. P Tidak Mendaftar',
is.na(R47B) & K4 == 'Laki-laki' ~ '1.1 L',
is.na(R47B) & K4 == 'Perempuan' ~ '2.1 P'),
R47E = case_when(R47E == 1 & K4 == 'Laki-laki' ~ '1. L Lolos',
R47E == 1 & K4 == 'Perempuan' ~ '2. P Lolos',
R47E == 2 & K4 == 'Laki-laki'~ '1. L Tidak Lolos',
R47E == 2 & K4 == 'Perempuan' ~ '2. P Tidak Lolos',
is.na(R47E) & K4 == 'Laki-laki' ~ '1.1 L',
is.na(R47E) & K4 == 'Perempuan' ~ '2.1 P'),
R47F = case_when(R47F == 1 & K4 == 'Laki-laki' ~ '1. L Selesai Pelatihan',
R47F == 1 & K4 == 'Perempuan' ~ '2. P Selesai Pelatihan',
R47F == 2 & K4 == 'Laki-laki'~ '1. L Tidak Selesai \n Pelatihan',
R47F == 2 & K4 == 'Perempuan' ~ '2. P Tidak Selesai \n Pelatihan',
is.na(R47F) & K4 == 'Laki-laki' ~ '1.1 L',
is.na(R47F) & K4 == 'Perempuan' ~ '2.1 P'),
R47G = case_when(R47G == 1 & K4 == 'Laki-laki' ~ '1. L Keterampilan \n Meningkat',
R47G == 1 & K4 == 'Perempuan' ~ '2. P Keterampilan \n Meningkat',
R47G == 2 & K4 == 'Laki-laki'~ '1. L Keterampilan \n Tidak Meningkat',
R47G == 2 & K4 == 'Perempuan' ~ '2. P Keterampilan \n Tidak Meningkat',
is.na(R47G) & K4 == 'Laki-laki' ~ '1.1 L',
is.na(R47G) & K4 == 'Perempuan' ~ '2.1 P'))
colnames(df) <- c('NEET', 'Jenis Kelamin',
'Mengetahui', 'Mendaftar', 'Lolos',
'Pelatihan','Dampak')
df <- df %>% make_long(NEET,`Jenis Kelamin`,`Mengetahui`,
`Mendaftar`, `Lolos`,
`Pelatihan`,
`Dampak`)
plot <- ggplot(df, aes(x = x,
next_x = next_x,
node = node,
next_node = next_node,
fill = factor(node),
label = case_when(
(node == '2.1 P' | node == '1.1 L') ~ '',
(node == '2.1 P NEET Usia < 18 Tahun' |
node == '1.1 L NEET Usia < 18 Tahun') ~
'NEET Usia \n < 18 Tahun',
(node == '2. P Tidak Pernah \n Mengikuti Pelatihan' |
node == '1. L Tidak Pernah \n Mengikuti Pelatihan') ~
'Tidak Pernah \n Mengikuti Pelatihan',
(node == '2. P Pernah Mengikuti \n Pelatihan' |
node == '1. L Pernah Mengikuti \n Pelatihan') ~
'Pernah Mengikuti \n Pelatihan',
(node == '2. P Tahu' |
node == '1. L Tahu') ~ 'Tahu Pra-Kerja',
(node == '2. P Tidak Tahu' |
node == '1. L Tidak Tahu') ~ 'Tidak Tahu \n Pra-Kerja',
(node == '2. P Tidak Mendaftar' |
node == '1. L Tidak Mendaftar') ~ 'Tidak Mendaftar \n Pra-Kerja',
(node == '2. P Mendaftar' |
node == '1. L Mendaftar') ~ 'Mendaftar Pra-Kerja',
(node == '2. P Lolos' |
node == '1. L Lolos') ~ 'Lolos Pra-Kerja',
(node == '2. P Tidak Lolos' |
node == '1. L Tidak Lolos') ~ 'Tidak Lolos \n Pra-Kerja',
(node == '2. P Selesai Pelatihan' |
node == '1. L Selesai Pelatihan') ~
'Selesai Pelatihan Pra-Kerja',
(node == '2. P Tidak Selesai \n Pelatihan' |
node == '1. L Tidak Selesai \n Pelatihan') ~
'Tidak Selesai Pelatihan \n Pra-Kerja',
(node == '2. P Keterampilan \n Meningkat' |
node == '1. L Keterampilan \n Meningkat') ~
'Keterampilan Meningkat',
(node == '2. P Keterampilan \n Tidak Meningkat' |
node == '1. L Keterampilan \n Tidak Meningkat') ~
'Keterampilan \n Tidak Meningkat',
(node == '2. P NEET Tanpa \n Keterampilan' |
node == '1. L NEET Tanpa \n Keterampilan') ~
'NEET Tanpa \n Keterampilan',
(node == '2. P NEET \n Berketrampilan' |
node == '1. L NEET \n Berketrampilan') ~
'NEET \n Berketrampilan',
TRUE ~ as.character(node))
)) +
geom_sankey(flow.alpha = 0.5, node.color = 1) +
geom_sankey_label(size = 2.5, color = 1, fill = "white", aes(vjust=1.4)) +
scale_fill_manual(values = c('#70CEEB','#70CEEB','#70CEEB','#70CEEB','grey','grey','grey','grey',
'grey','grey','#70CEEB','#70CEEB','#70CEEB','#70CEEB','grey','grey','grey','grey',
'grey','grey','#00798C','#EDAE49','#D14958','#70CEEB','grey','#70CEEB','grey')) +
theme_sankey(base_size = 16) +
guides(fill = guide_legend(title = "Title")) +
theme(legend.position = 'none',
axis.title.x=element_blank(),
axis.text.x=element_blank(),
axis.ticks.x=element_blank()) +
labs(x = '')
plot
4.3 NEET Tahu Pra Kerja
svy_sak2022 %>% filter(TAHUN == 2023) %>%
filter(K6 >= 15 & K6 <= 24) %>%
group_by(NEET,K4, R47A) %>%
summarise(Pct = round(survey_prop()*100,2)) %>%
mutate(rse = round(Pct_se/Pct*100,2))4.4 NEET Mendaftar Pra Kerja
svy_sak2022 %>% filter(TAHUN == 2023) %>%
filter(K6 >= 15 & K6 <= 24) %>%
group_by(NEET,K4, R47B) %>%
summarise(Pct = round(survey_prop()*100,2)) %>%
mutate(rse = round(Pct_se/Pct*100,2))4.5 NEET Lolos Pra Kerja
svy_sak2022 %>% filter(TAHUN == 2023) %>%
filter(K6 >= 15 & K6 <= 24) %>%
group_by(NEET,K4, R47E) %>%
summarise(Pct = round(survey_prop()*100,2)) %>%
mutate(rse = round(Pct_se/Pct*100,2))