Analisis Korespondensi Profil Tenaga Kerja: Hubungan Tingkat Pendidikan Terhadap Sektor Lapangan Usaha di Jawa Barat (Data Susenas Maret 2023)
Analisis korespondensi diawali dengan tulisan Hartley pada tahun 1935. Selanjutnya pengembangan analisis ini dilakukan oleh beberapa pakar, baik secara bersama-sama maupun secara terpisah dengan pendekatan dan bidang-bidang terapan yang berlainan. Pendekatan secara geometrik mula-mula dilakukan di Prancis dengan tokohnya antara lain Benzecri (Greenacre, 1984 dalam Damayanti, 1992). Sejalan dengan ini Johnson (2007) mengatakan analisis korespondensi dikembangkan oleh tokoh-tokoh Perancis yang merupakan prosedur grafis untuk mewakili asosiasi dalam tabel frekuensi atau jumlah. Tabel frekuensi yang akan dibahas adalah tabel frekuensi dua arah atau yang disebut tabel kontingensi.
Analisis korespondensi merupakan sebuah teknik multivariat yang digunakan untuk mengeksplorasi dan mempelajari hubungan peubah-peubah kualitatif dengan cara mereduksi dimensi dan memetakannya ke dalam grafik dua dimensi. Konsepnya mirip dengan analisis komponen utama, namun digunakan pada peubah kategorik yang direpresentasikan pada tabel kontingensi. Analisis korespondensi digunakan untuk mendeteksi dan memberikan penjelasan tentang hubungan antara dua variabel di dalam data yang berbentuk matriks berdimensi besar dan dapat digunakan untuk mencari pengelompokan yang homogen dari individu.
Library
## Warning: package 'tidyverse' was built under R version 4.4.2## Warning: package 'ggplot2' was built under R version 4.4.3## Warning: package 'tibble' was built under R version 4.4.2## Warning: package 'tidyr' was built under R version 4.4.2## Warning: package 'readr' was built under R version 4.4.2## Warning: package 'purrr' was built under R version 4.4.2## Warning: package 'dplyr' was built under R version 4.4.3## Warning: package 'stringr' was built under R version 4.4.2## Warning: package 'forcats' was built under R version 4.4.2## Warning: package 'lubridate' was built under R version 4.4.2## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.2 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.1
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors## Warning: package 'ca' was built under R version 4.4.3## Warning: package 'factoextra' was built under R version 4.4.3## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa## Warning: package 'FactoMineR' was built under R version 4.4.3## Warning: package 'gplots' was built under R version 4.4.2##
## Attaching package: 'gplots'
##
## The following object is masked from 'package:stats':
##
## lowessImport Data
Data yang digunakan dalam penelitian ini bersumber dari data mikro Survei Sosial Ekonomi Nasional (SUSENAS) Kor Individu periode Maret 2023 dengan fokus cakupan wilayah Provinsi Jawa Barat. Kolom yang digunakan adalah R407 (Umur) dan R703_A (Status Bekerja) sebagai filter seleksi penduduk usia kerja, R612 (Pendidikan Tertinggi) dan R706 (Lapangan Usaha) sebagai dua variabel utama yang dianalisis, serta FWT (Factor Weight) sebagai penimbang untuk estimasi populasi.
df <- read.csv("C:/Users/USER/Downloads/2023 Maret JABAR - SUSENAS KOR INDIVIDU PART1 (8).csv", sep = ";", stringsAsFactors = FALSE)
head(df)## X URUT PSU SSU WI1 WI2 R101 R102 R105 R401 R403 R404 R405 R407
## 1 0 500001 12448 123442 12435 123427 32 7 2 1 1 4 2 68
## 2 1 500001 12448 123442 12435 123427 32 7 2 2 3 2 2 46
## 3 2 500001 12448 123442 12435 123427 32 7 2 3 6 1 2 16
## 4 3 500001 12448 123442 12435 123427 32 7 2 4 6 1 1 6
## 5 4 500002 31373 311039 31360 311024 32 72 1 1 1 3 2 62
## 6 5 500002 31373 311039 31360 311024 32 72 1 2 3 1 1 38
## R408 R409 R406A R406B R406C R410 R501 R502 R503 R504 R506 R507 R508 R509 R601
## 1 0 20 5 4 1954 2 1 1 0 1 2 1 5 1 32
## 2 5 22 2 10 1976 2 1 2 1 1 2 1 2 1 32
## 3 0 0 23 1 2007 2 0 3 2 1 2 1 2 1 32
## 4 0 0 17 8 2016 2 0 4 2 1 1 1 2 1 32
## 5 0 16 6 12 1960 1 2 1 0 1 2 1 2 1 32
## 6 0 0 28 7 1984 1 0 1 1 1 1 1 1 1 32
## R602 R603 R604 R605 R606 R607 R608 R609 R610 R611 R612 R613 R614 R615 R616
## 1 7 32 7 0 0 1 1 5 3 0 3 8 3 0 0
## 2 7 32 7 0 0 1 1 5 3 0 19 8 19 0 0
## 3 7 32 7 0 0 1 1 5 3 0 15 1 8 5 5
## 4 7 32 7 3 1 1 1 5 2 1 3 1 25 5 5
## 5 72 32 72 0 0 1 5 5 3 0 3 8 3 0 0
## 6 72 32 72 0 0 1 5 5 3 0 3 8 3 0 0
## R617 R618 R619 R620 R621 R701 R702 R703_A R703_B R703_C R703_D R703_X R704
## 1 0 0 0 0 0 1 1 C D 3
## 2 0 0 0 0 0 1 5 C D 3
## 3 0 0 3 0 0 5 5 C D 3
## 4 0 0 1 0 0 5 5 0
## 5 0 0 0 0 0 5 5 C D 3
## 6 0 0 0 0 0 1 5 A D 1
## R705 R706 R707 R708 R709 R801 R802 R807_A R807_B R807_C R807_X R808 R809_A
## 1 5 0 0 0 0 5 5 X 5
## 2 5 0 0 0 0 1 1 X 1
## 3 5 0 0 0 0 1 1 B 1
## 4 0 0 0 0 0 5 5 X 5
## 5 5 0 0 0 0 1 1 X 5
## 6 0 11 5 48 48 1 1 X 5
## R809_B R809_C R809_D R809_E R810_A R810_B R810_C R810_D R810_E R810_F R811_A
## 1 NA
## 2 D A E FALSE A
## 3 B D A D FALSE
## 4 NA
## 5 NA
## 6 NA
## R811_B R811_C R811_D R811_E R811_F R811_G R811_H R811_I R811_J R811_K R811_L
## 1 NA
## 2 B D NA J
## 3 D NA H J
## 4 NA
## 5 NA
## 6 NA
## R812 R901 R902 R903 R904 R905 R906 R907 R908 R909 R910 R911 R912 R913 R914
## 1 5 5 0 0 0 5 0 0 0 0 0 0 0 0 0
## 2 5 5 0 0 0 5 0 0 0 0 0 0 0 0 0
## 3 1 5 0 0 0 5 0 0 0 0 0 0 0 0 0
## 4 5 5 0 0 0 5 0 0 0 0 0 0 0 0 0
## 5 5 5 0 0 0 5 0 0 0 0 0 0 0 0 0
## 6 5 5 0 0 0 5 0 0 0 0 0 0 0 0 0
## R915 R916 R1001 R1002 R1003 R1004 R1005 R1006 R1007 R1008 R1009 R1010 R1101_A
## 1 0 0 1 4 8 4 8 4 8 4 8 5
## 2 0 0 1 4 8 4 8 4 8 4 8 5
## 3 0 0 1 4 8 4 8 4 8 4 8 5
## 4 0 0 1 4 8 4 8 4 8 4 8 5
## 5 0 0 1 4 8 4 8 4 8 4 8 5 A
## 6 0 0 1 4 8 4 8 4 8 4 8 5 A
## R1101_B R1101_C R1101_D R1101_E R1101_X R1102 R1103 R1104 R1105 R1106 R1107_A
## 1 E 5 0 0 0 0
## 2 X 5 0 0 0 0
## 3 X 1 5 1 5 5
## 4 X 1 5 1 5 5
## 5 5 0 0 0 0
## 6 5 0 0 0 0
## R1107_B R1107_C R1107_D R1107_E R1107_F R1107_G R1107_H R1108 R1109_A R1109_B
## 1 NA 0
## 2 NA 0
## 3 NA 0
## 4 NA 0
## 5 NA 0
## 6 NA 0
## R1109_C R1109_D R1109_E R1109_X R1110_A R1110_B R1110_C R1110_D R1110_E
## 1
## 2
## 3
## 4
## 5
## 6
## R1110_F R1110_G R1110_H R1110_I R1201 R1202_A R1202_B R1202_C R1202_D R1202_E
## 1 NA 5
## 2 NA 5
## 3 NA 5
## 4 NA 5
## 5 NA 5
## 6 NA 5
## R1202_F R1202_G R1203 R1204_A R1204_B R1204_C R1204_D R1204_E R1204_X R1205_A
## 1 NA 0
## 2 NA 0
## 3 NA 0
## 4 NA 0
## 5 NA 0
## 6 NA 0
## R1205_B R1205_C R1205_D R1205_E R1205_F R1205_G R1205_H R1205_I R1206 R1207
## 1 NA 5 5
## 2 NA 5 5
## 3 NA 5 5
## 4 NA 5 5
## 5 NA 5 5
## 6 NA 5 1
## R1208 R1209 FWT
## 1 0 5 45.488.910.141.175
## 2 0 5 45.488.910.141.175
## 3 0 5 45.488.910.141.175
## 4 0 5 45.488.910.141.175
## 5 0 5 1.723.768.210.467.770
## 6 35 1 1.723.768.210.467.770Preprocessing Data
cols_check <- c("R407", "R612", "R703_A", "R706", "FWT")
print("--- JUMLAH MISSING VALUE (NA) PER KOLOM ---")## [1] "--- JUMLAH MISSING VALUE (NA) PER KOLOM ---"## R407 R612 R703_A R706 FWT
## 0 0 0 0 0df_clean <- df %>%
# Bersihkan FWT (buang titik) dan jadikan numerik
mutate(FWT = as.numeric(gsub("\\.", "", FWT))) %>%
# Filter Penduduk Usia Kerja (>= 15 th) & Bekerja (R703_A == "A")
filter(R407 >= 15, !is.na(R703_A) & R703_A == "A") %>%
# Filter data kosong
filter(!is.na(R612), !is.na(R706), R706 > 0) %>%
# Recoding Kategori (Pendidikan & Sektor)
mutate(
Pendidikan = case_when(
R612 <= 5 ~ "SD",
R612 <= 10 ~ "SMP",
(R612 >= 11 & R612 <= 14) | R612 == 17 ~ "SMA",
R612 >= 15 & R612 <= 16 ~ "SMK",
R612 >= 18 & R612 <= 19 ~ "Diploma",
R612 >= 20 & R612 <= 22 ~ "S1_Profesi",
R612 >= 23 ~ "S2_S3",
TRUE ~ NA_character_
),
Sektor = case_when(
R706 <= 6 ~ "Pertanian",
R706 <= 8 ~ "Industri",
R706 <= 11 ~ "Konstruksi",
R706 == 12 ~ "Perdagangan",
R706 == 13 ~ "Transportasi",
R706 == 14 ~ "Akomodasi",
R706 <= 19 ~ "Jasa_Bisnis",
R706 == 20 ~ "Pemerintahan",
R706 == 21 ~ "Pendidikan",
R706 == 22 ~ "Kesehatan",
R706 >= 23 ~ "Jasa_Lain",
TRUE ~ NA_character_
)
) %>%
filter(!is.na(Pendidikan), !is.na(Sektor))Interpretasi:
Tahap pra-pemrosesan data diawali dengan standardisasi variabel penimbang (factor weight) ke dalam format numerik. Selanjutnya, dilakukan penyaringan data (filtering) untuk menetapkan unit analisis, yaitu penduduk usia kerja (15 tahun ke atas) yang berstatus aktif bekerja. Responden yang tidak memenuhi kriteria tersebut, seperti penduduk usia muda atau pengangguran, dikeluarkan dari dataset.
Untuk keperluan Analisis Korespondensi, dilakukan transformasi variabel (recoding) pada variabel tingkat pendidikan dan sektor lapangan usaha. Variabel pendidikan yang semula memiliki 24 kode dikelompokkan menjadi 7 jenjang utama, sedangkan variabel lapangan usaha diklasifikasikan ulang dari menjadi 11 sektor strategis. Langkah terakhir meliputi validasi data untuk memastikan tidak ada nilai kosong (missing value) pada variabel hasil transformasi yang akan digunakan dalam pembentukan tabel kontingensi.
Tabel Kontingensi
table_count <- xtabs(FWT ~ Pendidikan + Sektor, data = df_clean)
# Cek sekilas
print("Tabel Kontingensi Siap:")## [1] "Tabel Kontingensi Siap:"## Sektor
## Pendidikan Akomodasi Industri Jasa_Bisnis Jasa_Lain Kesehatan
## Diploma 7.587813e+16 2.158983e+17 1.878901e+17 1.136415e+17 2.470867e+17
## S1_Profesi 3.815433e+17 9.311869e+17 8.211872e+17 4.252871e+17 3.563122e+17
## S2_S3 3.595427e+15 1.880394e+16 6.125302e+16 7.955991e+15 3.196054e+16
## SD 2.203265e+18 3.513520e+18 2.137365e+17 2.052481e+18 5.509839e+16
## SMA 1.366753e+18 3.327379e+18 9.055534e+17 1.395969e+18 2.330165e+17
## SMK 4.224771e+17 1.113320e+18 2.504393e+17 3.624627e+17 8.124154e+16
## SMP 1.304334e+18 2.637445e+18 2.718176e+17 1.450682e+18 6.857915e+16
## Sektor
## Pendidikan Konstruksi Pemerintahan Pendidikan Perdagangan Pertanian
## Diploma 5.813016e+16 9.968002e+16 1.637204e+17 3.080888e+17 6.545208e+16
## S1_Profesi 2.553921e+17 4.817825e+17 1.613659e+18 1.080717e+18 2.541943e+17
## S2_S3 7.941174e+15 7.170024e+16 1.932108e+17 1.510975e+16 1.080004e+15
## SD 2.849809e+18 1.060935e+17 1.395685e+17 4.601213e+18 1.193604e+19
## SMA 1.118011e+18 7.235303e+17 6.458189e+17 4.086234e+18 1.503228e+18
## SMK 2.720136e+17 1.307007e+17 9.255875e+16 1.171200e+18 1.803095e+17
## SMP 1.426092e+18 1.188973e+17 1.473505e+17 2.917098e+18 2.299732e+18
## Sektor
## Pendidikan Transportasi
## Diploma 8.480284e+16
## S1_Profesi 2.252101e+17
## S2_S3 1.815039e+16
## SD 7.915576e+17
## SMA 1.091297e+18
## SMK 3.747347e+17
## SMP 8.915116e+17Tabel kontingensi menunjukkan dominasi mutlak tenaga kerja berpendidikan SD ke bawah pada sektor Pertanian. Angka frekuensi yang sangat masif di pertemuan baris SD dan kolom Pertanian mengonfirmasi bahwa sektor agraris di Jawa Barat masih sangat bergantung pada tenaga kerja manual dengan kualifikasi pendidikan formal yang rendah.
Pada tingkat pendidikan menengah (SMP, SMA, dan SMK), penyerapan tenaga kerja terkonsentrasi di sektor Perdagangan dan Industri Pengolahan. Khusus untuk SMK, data menunjukkan fenomena menarik di mana jumlah lulusan yang bekerja di sektor Perdagangan sedikit lebih tinggi dibandingkan di sektor Industri, yang mengindikasikan potensi ketidaksesuaian (mismatch) antara tujuan pendidikan vokasi dengan realita penyerapan pasar kerja.
Sebaliknya, sektor-sektor jasa formal seperti Pendidikan, Pemerintahan, dan Kesehatan menjadi domain eksklusif bagi tenaga kerja berpendidikan tinggi (Diploma, S1, hingga S3). Terlihat pola polarisasi yang tajam, di mana lulusan perguruan tinggi hampir tidak mengisi sektor pertanian atau transportasi kasar, melainkan terserap sepenuhnya ke dalam sektor jasa profesional dan birokrasi.
Eksplorasi Data
balloonplot(table_count,
main ="Tabel Kontingensi Pendidikan x Sektor Pekerjaan",
xlab ="", ylab="", label = FALSE, show.margins = FALSE)
Visualisasi menggunakan Balloon Plot mempertegas pola pengelompokan data, di mana ukuran bulatan merepresentasikan besaran frekuensi tenaga kerja. Terlihat konsentrasi “balon” berukuran masif pada pertemuan antara Pendidikan Rendah (SD) dengan sektor Pertanian, serta pada Pendidikan Menengah dengan sektor Perdagangan dan Industri. Pola ini mengindikasikan secara visual bahwa distribusi tenaga kerja di Jawa Barat tidak menyebar secara acak, melainkan terpolarisasi pada sektor-sektor tertentu sesuai jenjang pendidikannya.
Uji Chi-square
##
## Pearson's Chi-squared test
##
## data: table_count
## X-squared = 2.8227e+19, df = 60, p-value < 2.2e-16hasil uji statistik Chi-Square (\(\chi^2\)) menunjukkan nilai p-value yang sangat kecil (signifikan pada taraf nyata \(\alpha = 0.05\)). Hal ini memberikan bukti statistik yang kuat untuk menolak hipotesis nol (\(H_0\)), yang berarti terdapat hubungan ketergantungan yang signifikan antara Tingkat Pendidikan dan Sektor Lapangan Usaha. Adanya asosiasi yang kuat antar kedua variabel ini menjadi landasan validitas untuk melanjutkan pengolahan data ke tahap pemetaan dimensi menggunakan Analisis Korespondensi.
Membentuk Model
## **Results of the Correspondence Analysis (CA)**
## The row variable has 7 categories; the column variable has 11 categories
## The chi square of independence between the two variables is equal to 2.822685e+19 (p-value = 0 ).
## *The results are available in the following objects:
##
## name description
## 1 "$eig" "eigenvalues"
## 2 "$col" "results for the columns"
## 3 "$col$coord" "coord. for the columns"
## 4 "$col$cos2" "cos2 for the columns"
## 5 "$col$contrib" "contributions of the columns"
## 6 "$row" "results for the rows"
## 7 "$row$coord" "coord. for the rows"
## 8 "$row$cos2" "cos2 for the rows"
## 9 "$row$contrib" "contributions of the rows"
## 10 "$call" "summary called parameters"
## 11 "$call$marge.col" "weights of the columns"
## 12 "$call$marge.row" "weights of the rows"Akar/Vektor Ciri
## eigenvalue variance.percent cumulative.variance.percent
## Dim.1 0.2809751331 71.3930305 71.39303
## Dim.2 0.0852277969 21.6555488 93.04858
## Dim.3 0.0208205119 5.2902882 98.33887
## Dim.4 0.0046484121 1.1811160 99.51998
## Dim.5 0.0014133546 0.3591196 99.87910
## Dim.6 0.0004758029 0.1208969 100.00000Struktur dimensi: Analisis menghasilkan 6 dimensi dengan konsentrasi keragaman yang sangat tinggi pada 2 dimensi pertama. Dimensi 1 menjelaskan 71.39% keragaman total, sementara Dimensi 2 menjelaskan 21.66%. Akumulasi kedua dimensi ini mencapai 93.05%, menunjukkan bahwa hampir seluruh variasi pola hubungan pendidikan-sektor tertangkap dalam dua sumbu utama.
Kualitas representasi: Dengan 93.05% keragaman terkonsentrasi di 2 dimensi pertama, biplot yang dihasilkan memiliki kualitas representasi sangat baik. Pola asosiasi antara kategori pendidikan dan sektor pekerjaan dapat divisualisasikan secara akurat dalam ruang 2 dimensi tanpa kehilangan informasi substansial. Dimensi 3-6 hanya menyumbang 6.95% sisanya dan dapat diabaikan.
Persentase Keragaman
Pola penurunan eigenvalue menunjukkan elbow yang jelas setelah Dimensi 2 (drop dari 21.7% ke 5.3%). Ini mengkonfirmasi bahwa 2 dimensi adalah pilihan optimal untuk interpretasi. Dimensi tambahan tidak memberikan insight yang signifikan.
Analisis dan Visualisasi Profil Baris (Pendidikan)
## Correspondence Analysis - Results for rows
## ===================================================
## Name Description
## 1 "$coord" "Coordinates for the rows"
## 2 "$cos2" "Cos2 for the rows"
## 3 "$contrib" "contributions of the rows"
## 4 "$inertia" "Inertia of the rows"## Dim 1 Dim 2 Dim 3 Dim 4 Dim 5
## Diploma 7.618961 0.3569499 87.4137446 0.7097207 1.5686708
## S1_Profesi 44.447881 17.0089293 5.6635227 3.2614381 17.3729602
## S2_S3 9.419501 8.6941539 4.0341042 0.4713156 54.3830930
## SD 31.909476 24.7720527 0.3470967 2.3372278 0.5052406
## SMA 4.432603 20.1003075 0.9618901 32.4798084 4.3517537
## SMK 1.192730 15.4436584 0.1606381 1.3552620 16.6062694
## SMP 0.978847 13.6239482 1.4190035 59.3852274 5.2120123# Plot Profil Baris
fviz_ca_row(model_ca, col.row="steelblue", shape.row = 15,
title = "Plot Profil Baris: Pendidikan")
Interpretasi Profil Baris (Pendidikan) Dimensi 1 (71.4%) - Sumbu Horizontal:
SD (31.91% kontribusi) terletak jauh di kiri negatif (koordinat -0.5). Ini adalah kontributor terbesar Dimensi 1, menunjukkan kelompok pendidikan SD memiliki pola pekerjaan yang sangat berbeda dari kelompok lain. Posisi ekstrem kiri mengindikasikan asosiasi kuat dengan sektor-sektor tertentu di sisi kiri biplot.
S1/Profesi (44.45% kontribusi) adalah kontributor dominan Dimensi 1, terletak di kanan positif (koordinat ~1.0). Posisi berlawanan dengan SD menunjukkan pola pekerjaan yang kontras, sarjana cenderung bekerja di sektor berbeda dibanding lulusan SD.
S2/S3 (9.42% kontribusi) berada paling kanan ekstrem (koordinat ~2.0), menunjukkan pola pekerjaan yang paling unik dan spesifik. Meskipun kontribusinya lebih kecil dari S1, posisinya yang ekstrem mengindikasikan konsentrasi tinggi di sektor-sektor tertentu.
Dimensi 2 (21.7%) - Sumbu Vertikal:
SD (24.77% kontribusi) juga dominan di Dimensi 2, terletak di kuadran atas kiri. Kombinasi posisi ini menunjukkan SD memiliki karakteristik ganda yang membedakannya dari kelompok lain.
SMA (20.10% kontribusi) dan SMK (15.44% kontribusi) berada di kuadran bawah, dengan posisi berdekatan. Ini mengindikasikan pola pekerjaan SMA dan SMK relatif mirip, meskipun orientasi pendidikannya berbeda (akademik vs vokasional).
SMP (13.62% kontribusi) juga di kuadran bawah kiri, berdekatan dengan SMA/SMK, menunjukkan lulusan SMP memiliki pola distribusi sektor yang tidak jauh berbeda dengan lulusan SMA/SMK.
Analisis dan Visualisasi Profil Kolom (Sektor Pekerjaan)
## Correspondence Analysis - Results for columns
## ===================================================
## Name Description
## 1 "$coord" "Coordinates for the columns"
## 2 "$cos2" "Cos2 for the columns"
## 3 "$contrib" "contributions of the columns"
## 4 "$inertia" "Inertia of the columns"## Dim 1 Dim 2 Dim 3 Dim 4 Dim 5
## Akomodasi -0.08816403 -0.132279960 -0.033979741 0.0374116153 -0.013178875
## Industri 0.05827165 -0.249973738 -0.027397191 -0.0009022419 -0.023721099
## Jasa_Bisnis 0.96507402 0.036596199 0.065104001 -0.0863968956 -0.098027745
## Jasa_Lain -0.04098382 -0.145955603 -0.013027772 0.0943029576 0.024588594
## Kesehatan 1.32630068 0.311889995 1.053694557 0.1037368308 0.025374218
## Konstruksi -0.26365538 -0.007158836 -0.027743231 0.0924702628 0.041712095
## Pemerintahan 1.01698274 0.031552550 -0.050494100 -0.2677929551 0.154027030
## Pendidikan 1.57521258 0.731276671 -0.291069270 0.0933629633 -0.004367031
## Perdagangan 0.03409269 -0.204356759 0.001711004 -0.0400249180 -0.012595468
## Pertanian -0.60419488 0.378835052 0.025527113 -0.0313044276 -0.003438125
## Transportasi 0.12833370 -0.386135050 -0.007839756 0.0221103161 0.052197398## Dim 1 Dim 2 Dim 3 Dim 4 Dim 5
## Akomodasi 0.22208774 1.648224808 0.445203248 2.417229563 0.9865410
## Industri 0.19811311 12.019158311 0.590999643 0.002870833 6.5265701
## Jasa_Bisnis 12.53351705 0.059416941 0.769739115 6.071713195 25.7078922
## Jasa_Lain 0.04841379 2.024288289 0.066017794 15.493805135 3.4644023
## Kesehatan 9.36881783 1.708009649 79.800712102 3.464415940 0.6817150
## Konstruksi 2.06534431 0.005019849 0.308609829 15.356301852 10.2768480
## Pemerintahan 8.89105228 0.028215097 0.295790176 37.263835911 40.5449361
## Pendidikan 36.88803142 26.209407025 16.997158796 7.832847188 0.0563633
## Perdagangan 0.08178432 9.687510299 0.002779879 6.813522696 2.2191818
## Pertanian 29.41865338 38.129020384 0.708677400 4.773572373 0.1893777
## Transportasi 0.28418476 8.481729349 0.014312018 0.509885315 9.3461724# Plot Profil Kolom
fviz_ca_col(model_ca, col.col="darkred", shape.col = 15,
title = "Plot Profil Kolom: Sektor Pekerjaan")
Interpretasi Profil Kolom (Sektor Pekerjaan) Dimensi 1 (71.4%) - Sumbu Horizontal:
Pendidikan (36.89% kontribusi) adalah kontributor terbesar, terletak paling kanan ekstrem (koordinat 1.58). Ini menunjukkan sektor pendidikan memiliki profil pendidikan pekerja yang sangat spesifik dan berbeda dari sektor lain, kemungkinan besar didominasi oleh tenaga kerja berpendidikan tinggi.
Pertanian (29.42% kontribusi) berada di sisi berlawanan, paling kiri (koordinat -0.60). Posisi ekstrem kiri mengindikasikan sektor pertanian didominasi oleh pekerja berpendidikan rendah, kontras dengan sektor pendidikan.
Jasa_Bisnis (12.54% kontribusi) dan Kesehatan (9.37% kontribusi) berada di kanan (koordinat 0.97 dan 1.33), berdekatan dengan sektor pendidikan. Ini menunjukkan ketiga sektor ini memiliki komposisi pekerja berpendidikan tinggi yang serupa.
Pemerintahan (8.89% kontribusi) juga di kanan (koordinat 1.02), mengkonfirmasi sektor formal ini membutuhkan kualifikasi pendidikan tinggi. Konstruksi (2.07% kontribusi) di kiri negatif (koordinat -0.26), mengindikasikan sektor ini lebih banyak menyerap pekerja berpendidikan rendah-menengah.
Dimensi 2 (21.7%) - Sumbu Vertikal:
Pertanian (38.13% kontribusi) sangat dominan di Dimensi 2, terletak di kuadran atas kiri (koordinat 0.38). Kombinasi posisi kiri-atas menunjukkan pertanian memiliki karakteristik ganda: berpendidikan rendah (Dim1) dan memiliki sifat pekerjaan spesifik (Dim2).
Pendidikan (26.21% kontribusi) berada paling atas (koordinat 0.73), terpisah dari sektor lain. Ini mengindikasikan sektor pendidikan tidak hanya membutuhkan pendidikan tinggi, tetapi juga memiliki karakteristik pekerjaan yang unik.
Transportasi (8.48% kontribusi) dan Industri (12.02% kontribusi) berada di kuadran bawah (koordinat -0.39 dan -0.25), menunjukkan karakteristik pekerjaan yang berbeda dari pertanian dan pendidikan kemungkinan lebih technical/operasional.
Perdagangan (9.69% kontribusi) juga di bawah (koordinat -0.20), berdekatan dengan industri dan transportasi, mengindikasikan pola pendidikan pekerja yang relatif beragam atau menengah.
Kesehatan (1.71% kontribusi Dim2) berada di kuadran kanan-tengah (koordinat 0.31), menunjukkan meskipun membutuhkan pendidikan tinggi, karakteristik pekerjaannya agak berbeda dari pendidikan.
Pembentukan plot korespondensi
fviz_ca_biplot(model_ca,
repel = TRUE,
title = "Peta Korespondensi: Pendidikan vs Sektor Pekerjaan (Jabar 2023)")
Kuadran Kanan Atas (Pendidikan Tinggi - Sektor Profesional):
S2_S3 berasosiasi sangat kuat dengan Pendidikan, keduanya terletak paling kanan atas. Ini menunjukkan lulusan S2/S3 terkonsentrasi di sektor pendidikan, yang logis karena dosen dan peneliti membutuhkan kualifikasi pascasarjana.
S1_Profesi berdekatan dengan Kesehatan, Jasa_Bisnis, dan Pemerintahan. Pola ini mengindikasikan sarjana tersebar di sektor-sektor formal yang membutuhkan kualifikasi profesional, dokter/perawat di kesehatan, PNS di pemerintahan, dan profesional di jasa bisnis.
Diploma berada di tengah-kanan dekat dengan Jasa_Bisnis dan Pemerintahan, menunjukkan lulusan diploma juga terserap di sektor formal meskipun tidak sedominan S1.
Kuadran Kiri Atas (Pendidikan Rendah - Sektor Tradisional):
SD sangat berdekatan dengan Pertanian, menunjukkan asosiasi kuat antara pendidikan rendah dan sektor pertanian. Ini mencerminkan realitas bahwa sebagian besar pekerja pertanian di Jawa Barat adalah lulusan SD.
Konstruksi juga di kuadran kiri, dekat dengan SD, mengindikasikan sektor konstruksi banyak menyerap pekerja berpendidikan rendah untuk pekerjaan manual/operasional.
Kuadran Bawah (Pendidikan Menengah - Sektor Manufaktur/Jasa):
SMP, SMA, dan SMK mengelompok berdekatan di kuadran bawah tengah, berdekatan dengan Industri, Transportasi, Perdagangan, Akomodasi, dan Jasa_Lain. Pola ini menunjukkan lulusan pendidikan menengah tersebar relatif merata di sektor-sektor ini.
Perdagangan berada di tengah bawah, menunjukkan sektor ini menyerap beragam tingkat pendidikan dari SMP hingga SMA/SMK. Ini logis karena perdagangan mencakup spektrum luas dari pedagang kecil hingga retail modern.
Industri dan Transportasi lebih ke kiri bawah, lebih dekat dengan SMP dan SMK, mengindikasikan sektor manufaktur dan transportasi lebih banyak menyerap lulusan vokasional atau pendidikan menengah bawah untuk posisi operasional.
Pola Umum:
Terlihat jelas gradasi diagonal dari kiri atas (SD-Pertanian) ke kanan atas (S2_S3-Pendidikan), merepresentasikan hierarki pendidikan dan stratifikasi pasar kerja. Semakin tinggi pendidikan, semakin ke kanan posisinya, dan semakin profesional sektor pekerjaannya.
Pendidikan menengah (SMP/SMA/SMK) berada di tengah, menunjukkan peran sebagai “middle ground” yang fleksibel bisa terserap di berbagai sektor dari industri, perdagangan, hingga jasa. Jarak yang dekat antara SMA dan SMK mengindikasikan pola distribusi pekerjaan mereka tidak terlalu berbeda, meskipun SMK dirancang lebih vokasional.