1 BAB I PENDAHULUAN

1.1 1.1 Latar Belakang

Ketenagakerjaan merupakan salah satu aspek penting dalam pembangunan ekonomi suatu negara. Kondisi ketenagakerjaan dapat dilihat melalui Tingkat Partisipasi Angkatan Kerja (TPAK) dan Tingkat Pengangguran Terbuka (TPT). TPAK merupakan indikator yang menunjukkan persentase penduduk usia kerja yang termasuk dalam angkatan kerja, sedangkan TPT menunjukkan persentase jumlah pengangguran terhadap jumlah angkatan kerja.

Setiap provinsi di Indonesia memiliki kondisi ketenagakerjaan yang berbeda-beda. Perbedaan tersebut dapat dipengaruhi oleh kondisi ekonomi, tingkat pendidikan, ketersediaan lapangan pekerjaan, dan faktor lainnya. Oleh karena itu, diperlukan analisis statistika untuk mengetahui hubungan antara tingkat partisipasi angkatan kerja dan tingkat pengangguran terbuka.

Salah satu metode statistika yang dapat digunakan adalah regresi linear sederhana. Metode ini digunakan untuk mengetahui hubungan antara satu variabel bebas dengan satu variabel terikat. Dalam penelitian ini, TPAK digunakan sebagai variabel bebas (X), sedangkan TPT digunakan sebagai variabel terikat (Y).

Berdasarkan uraian tersebut, penelitian ini dilakukan untuk menganalisis hubungan antara Tingkat Partisipasi Angkatan Kerja (TPAK) terhadap Tingkat Pengangguran Terbuka (TPT) di Indonesia tahun 2025 menggunakan metode regresi linear sederhana dengan bantuan aplikasi RStudio.

1.2 1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dijelaskan, rumusan masalah dalam penelitian ini adalah:

  1. Bagaimana gambaran Tingkat Partisipasi Angkatan Kerja (TPAK) dan Tingkat Pengangguran Terbuka (TPT) di Indonesia tahun 2025?
  2. Apakah terdapat hubungan antara TPAK dan TPT di Indonesia?
  3. Bagaimana hasil analisis regresi linear sederhana antara TPAK dan TPT?
  4. Seberapa besar kemampuan TPAK dalam menjelaskan variasi TPT berdasarkan model regresi?

1.3 1.3 Tujuan Penelitian

Tujuan dari penelitian ini adalah:

  1. Mengetahui gambaran TPAK dan TPT di Indonesia tahun 2025.
  2. Mengetahui hubungan antara TPAK dan TPT.
  3. Menganalisis hubungan TPAK terhadap TPT menggunakan regresi linear sederhana.
  4. Mengetahui besarnya koefisien determinasi dari model regresi yang terbentuk.

1.4 1.4 Manfaat Penelitian

Penelitian ini diharapkan dapat menambah pemahaman mengenai penerapan metode statistika, khususnya analisis korelasi dan regresi linear sederhana. Selain itu, penelitian ini dapat memberikan gambaran mengenai kondisi ketenagakerjaan di Indonesia berdasarkan indikator TPAK dan TPT.

2 BAB II TINJAUAN PUSTAKA

2.1 2.1 Tingkat Partisipasi Angkatan Kerja (TPAK)

Tingkat Partisipasi Angkatan Kerja (TPAK) merupakan persentase jumlah angkatan kerja terhadap jumlah penduduk usia kerja. TPAK digunakan untuk menggambarkan keterlibatan penduduk usia kerja dalam kegiatan ekonomi, baik yang bekerja maupun yang sedang mencari pekerjaan.

Semakin tinggi nilai TPAK menunjukkan semakin besar proporsi penduduk usia kerja yang termasuk dalam angkatan kerja.

2.2 2.2 Tingkat Pengangguran Terbuka (TPT)

Tingkat Pengangguran Terbuka (TPT) merupakan persentase jumlah pengangguran terhadap jumlah angkatan kerja. TPT digunakan untuk mengetahui besarnya proporsi angkatan kerja yang belum memperoleh pekerjaan.

Indikator ini menjadi salah satu ukuran penting untuk melihat kondisi ketenagakerjaan suatu wilayah.

2.3 2.3 Statistika Deskriptif

Statistika deskriptif merupakan metode statistika yang digunakan untuk menggambarkan atau meringkas data sehingga lebih mudah dipahami. Beberapa ukuran yang digunakan dalam penelitian ini adalah nilai minimum, maksimum, rata-rata, dan standar deviasi.

Rata-rata digunakan untuk mengetahui nilai pusat data, sedangkan standar deviasi digunakan untuk mengetahui tingkat penyebaran data terhadap rata-ratanya.

2.4 2.4 Analisis Korelasi Pearson

Analisis korelasi Pearson merupakan metode yang digunakan untuk mengetahui arah dan kekuatan hubungan linear antara dua variabel numerik.

Nilai koefisien korelasi berada pada rentang -1 sampai +1. Nilai positif menunjukkan hubungan searah, sedangkan nilai negatif menunjukkan hubungan berlawanan arah. Semakin mendekati -1 atau +1, semakin kuat hubungan linearnya.

2.5 2.5 Regresi Linear Sederhana

Regresi linear sederhana merupakan metode statistika yang digunakan untuk menganalisis hubungan antara satu variabel bebas (X) dan satu variabel terikat (Y).

Persamaan regresi linear sederhana adalah:

Y = a + bX

Keterangan:

  • Y = Variabel terikat.
  • X = Variabel bebas.
  • a = Konstanta.
  • b = Koefisien regresi.

Dalam penelitian ini, TPAK merupakan variabel bebas dan TPT merupakan variabel terikat.

2.6 2.6 Uji Hipotesis

Uji hipotesis dilakukan untuk mengetahui apakah koefisien regresi memiliki hubungan linear yang signifikan secara statistik.

Hipotesis yang digunakan adalah:

H0: β1 = 0, artinya tidak terdapat hubungan linear yang signifikan antara TPAK dan TPT.

H1: β1 ≠ 0, artinya terdapat hubungan linear yang signifikan antara TPAK dan TPT.

Pengujian dilakukan menggunakan taraf signifikansi sebesar 5% atau 0,05.

2.7 2.7 Koefisien Determinasi

Koefisien determinasi (R²) merupakan ukuran yang digunakan untuk mengetahui seberapa besar variasi variabel terikat dapat dijelaskan oleh variabel bebas dalam model regresi.

Nilai koefisien determinasi berada pada rentang 0 sampai 1. Semakin besar nilai R², semakin besar proporsi variasi variabel terikat yang dapat dijelaskan oleh model.

3 BAB III METODE PENELITIAN

3.1 3.1 Jenis Penelitian

Penelitian ini merupakan penelitian kuantitatif dengan pendekatan deskriptif dan inferensial. Pendekatan deskriptif digunakan untuk menggambarkan karakteristik data, sedangkan pendekatan inferensial digunakan untuk menganalisis hubungan antara TPAK dan TPT menggunakan metode korelasi Pearson dan regresi linear sederhana.

3.2 3.2 Sumber Data

Data yang digunakan dalam penelitian ini merupakan data sekunder mengenai Tingkat Partisipasi Angkatan Kerja (TPAK) dan Tingkat Pengangguran Terbuka (TPT) menurut provinsi di Indonesia tahun 2025.

Data bersumber dari Badan Pusat Statistik (BPS) dengan periode pengamatan Agustus 2025. Unit analisis dalam penelitian ini adalah 38 provinsi di Indonesia.

3.3 3.3 Variabel Penelitian

Variabel yang digunakan dalam penelitian ini terdiri dari dua variabel, yaitu:

  1. Variabel bebas (X): Tingkat Partisipasi Angkatan Kerja (TPAK).
  2. Variabel terikat (Y): Tingkat Pengangguran Terbuka (TPT).

Kedua variabel dinyatakan dalam satuan persen (%).

3.4 3.4 Metode Analisis Data

Metode analisis yang digunakan dalam penelitian ini meliputi:

  1. Statistika deskriptif untuk mengetahui karakteristik data.
  2. Scatterplot untuk melihat pola hubungan antara kedua variabel.
  3. Korelasi Pearson untuk mengetahui arah dan kekuatan hubungan.
  4. Regresi linear sederhana untuk membentuk persamaan regresi.
  5. Uji t untuk menguji signifikansi koefisien regresi.
  6. Koefisien determinasi untuk mengetahui kemampuan model dalam menjelaskan variasi TPT.
  7. Pemeriksaan residual untuk mengevaluasi asumsi model regresi.

3.5 3.5 Langkah-Langkah Penelitian

Tahapan penelitian dilakukan sebagai berikut:

  1. Menentukan topik dan permasalahan penelitian.
  2. Mengumpulkan data TPAK dan TPT dari BPS.
  3. Memasukkan data ke dalam aplikasi RStudio.
  4. Melakukan analisis statistika deskriptif.
  5. Membuat grafik scatterplot.
  6. Melakukan analisis korelasi Pearson.
  7. Melakukan analisis regresi linear sederhana.
  8. Melakukan pengujian hipotesis.
  9. Menghitung koefisien determinasi.
  10. Menarik kesimpulan berdasarkan hasil analisis.

4 BAB IV HASIL DAN PEMBAHASAN

4.1 4.1 Persiapan Data

Pada penelitian ini, data yang digunakan terdiri dari 38 provinsi di Indonesia. Data mencakup dua variabel, yaitu TPAK sebagai variabel bebas dan TPT sebagai variabel terikat.

Berikut merupakan sintaks untuk memasukkan data ke dalam RStudio.

data <- data.frame(
  Provinsi = c(
    "Aceh", "Sumatera Utara", "Sumatera Barat",
    "Riau", "Jambi", "Sumatera Selatan",
    "Bengkulu", "Lampung", "Kepulauan Bangka Belitung",
    "Kepulauan Riau", "DKI Jakarta", "Jawa Barat",
    "Jawa Tengah", "DI Yogyakarta", "Jawa Timur",
    "Banten", "Bali", "Nusa Tenggara Barat",
    "Nusa Tenggara Timur", "Kalimantan Barat",
    "Kalimantan Tengah", "Kalimantan Selatan",
    "Kalimantan Timur", "Kalimantan Utara",
    "Sulawesi Utara", "Sulawesi Tengah",
    "Sulawesi Selatan", "Sulawesi Tenggara",
    "Gorontalo", "Sulawesi Barat", "Maluku",
    "Maluku Utara", "Papua Barat",
    "Papua Barat Daya", "Papua", "Papua Selatan",
    "Papua Tengah", "Papua Pegunungan"
  ),

  TPAK = c(
    65.32, 72.29, 71.34, 66.55, 68.37, 69.88,
    71.78, 70.44, 69.38, 68.23, 64.75, 66.99,
    74.36, 74.74, 73.98, 64.66, 77.31, 76.11,
    75.55, 70.90, 68.40, 69.93, 66.58, 69.55,
    67.21, 72.40, 67.65, 71.67, 69.29, 74.25,
    66.66, 69.57, 69.55, 68.10, 63.98, 67.37,
    73.89, 90.66
  ),

  TPT = c(
    5.64, 5.32, 5.62, 4.16, 4.26, 3.69,
    3.41, 4.21, 4.45, 6.45, 6.05, 6.77,
    4.66, 3.46, 3.88, 6.69, 1.49, 3.06,
    3.31, 4.82, 3.97, 4.16, 5.18, 3.85,
    5.99, 2.92, 4.21, 3.31, 3.42, 2.86,
    6.27, 4.55, 4.55, 6.85, 6.96, 4.04,
    3.62, 1.68
  )
)

knitr::kable(
  data,
  caption = "Data TPAK dan TPT Menurut Provinsi",
  digits = 2
)
Data TPAK dan TPT Menurut Provinsi
Provinsi TPAK TPT
Aceh 65.32 5.64
Sumatera Utara 72.29 5.32
Sumatera Barat 71.34 5.62
Riau 66.55 4.16
Jambi 68.37 4.26
Sumatera Selatan 69.88 3.69
Bengkulu 71.78 3.41
Lampung 70.44 4.21
Kepulauan Bangka Belitung 69.38 4.45
Kepulauan Riau 68.23 6.45
DKI Jakarta 64.75 6.05
Jawa Barat 66.99 6.77
Jawa Tengah 74.36 4.66
DI Yogyakarta 74.74 3.46
Jawa Timur 73.98 3.88
Banten 64.66 6.69
Bali 77.31 1.49
Nusa Tenggara Barat 76.11 3.06
Nusa Tenggara Timur 75.55 3.31
Kalimantan Barat 70.90 4.82
Kalimantan Tengah 68.40 3.97
Kalimantan Selatan 69.93 4.16
Kalimantan Timur 66.58 5.18
Kalimantan Utara 69.55 3.85
Sulawesi Utara 67.21 5.99
Sulawesi Tengah 72.40 2.92
Sulawesi Selatan 67.65 4.21
Sulawesi Tenggara 71.67 3.31
Gorontalo 69.29 3.42
Sulawesi Barat 74.25 2.86
Maluku 66.66 6.27
Maluku Utara 69.57 4.55
Papua Barat 69.55 4.55
Papua Barat Daya 68.10 6.85
Papua 63.98 6.96
Papua Selatan 67.37 4.04
Papua Tengah 73.89 3.62
Papua Pegunungan 90.66 1.68

Berdasarkan data tersebut, setiap baris menunjukkan satu provinsi dengan nilai TPAK dan TPT masing-masing. Data kemudian digunakan untuk melakukan analisis statistika deskriptif, korelasi, dan regresi linear sederhana.

4.2 4.2 Analisis Statistika Deskriptif

Analisis statistika deskriptif dilakukan untuk mengetahui gambaran umum dari masing-masing variabel. Ukuran yang digunakan meliputi nilai minimum, maksimum, rata-rata, dan standar deviasi.

Sintaks R yang digunakan adalah:

statistik <- data.frame(
  Variabel = c("TPAK", "TPT"),
  Minimum = c(
    min(data$TPAK),
    min(data$TPT)
  ),
  Maksimum = c(
    max(data$TPAK),
    max(data$TPT)
  ),
  Rata_rata = c(
    mean(data$TPAK),
    mean(data$TPT)
  ),
  Standar_deviasi = c(
    sd(data$TPAK),
    sd(data$TPT)
  )
)

knitr::kable(
  statistik,
  caption = "Hasil Analisis Statistika Deskriptif",
  digits = 2
)
Hasil Analisis Statistika Deskriptif
Variabel Minimum Maksimum Rata_rata Standar_deviasi
TPAK 63.98 90.66 70.52 4.77
TPT 1.49 6.96 4.47 1.38

Berdasarkan hasil analisis statistika deskriptif, dapat diketahui nilai minimum, maksimum, rata-rata, dan standar deviasi dari masing-masing variabel. Nilai rata-rata menunjukkan gambaran umum kondisi TPAK dan TPT pada seluruh provinsi, sedangkan standar deviasi menunjukkan tingkat variasi data.

4.3 4.3 Visualisasi Data

Visualisasi data dilakukan menggunakan grafik scatterplot untuk mengetahui pola hubungan antara TPAK dan TPT.

Sintaks R yang digunakan adalah:

library(ggplot2)

ggplot(data, aes(x = TPAK, y = TPT)) +
  geom_point(
    color = "blue",
    size = 3
  ) +
  geom_smooth(
    method = "lm",
    color = "red",
    se = TRUE
  ) +
  labs(
    title = "Hubungan TPAK dan TPT di Indonesia Tahun 2025",
    x = "Tingkat Partisipasi Angkatan Kerja (%)",
    y = "Tingkat Pengangguran Terbuka (%)"
  ) +
  theme_minimal()

Berdasarkan grafik scatterplot, dapat diamati pola penyebaran titik yang menggambarkan hubungan antara TPAK dan TPT. Garis regresi digunakan untuk menunjukkan kecenderungan hubungan linear antara kedua variabel. Arah garis yang menurun menunjukkan adanya hubungan negatif antara TPAK dan TPT.

4.4 4.4 Analisis Korelasi Pearson

Analisis korelasi Pearson digunakan untuk mengetahui arah dan kekuatan hubungan linear antara TPAK dan TPT.

Sintaks R yang digunakan adalah:

hasil_korelasi <- cor.test(
  data$TPAK,
  data$TPT,
  method = "pearson"
)

hasil_korelasi
## 
##  Pearson's product-moment correlation
## 
## data:  data$TPAK and data$TPT
## t = -6.4221, df = 36, p-value = 1.903e-07
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.8514901 -0.5363080
## sample estimates:
##        cor 
## -0.7307117

Hasil analisis korelasi memberikan nilai koefisien korelasi dan p-value. Koefisien korelasi digunakan untuk mengetahui arah serta kekuatan hubungan antara kedua variabel.

Apabila koefisien korelasi bernilai negatif, maka hubungan antara TPAK dan TPT bersifat berlawanan arah. Sementara itu, nilai p-value digunakan untuk mengetahui signifikansi hubungan tersebut pada taraf nyata 5%.

4.5 4.5 Analisis Regresi Linear Sederhana

Analisis regresi linear sederhana dilakukan untuk mengetahui hubungan antara TPAK sebagai variabel bebas dan TPT sebagai variabel terikat.

Sintaks R yang digunakan adalah:

model <- lm(TPT ~ TPAK, data = data)

summary(model)
## 
## Call:
## lm(formula = TPT ~ TPAK, data = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -1.5394 -0.8216 -0.1225  0.9414  1.8700 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 19.40368    2.33081   8.325 6.54e-10 ***
## TPAK        -0.21180    0.03298  -6.422 1.90e-07 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.956 on 36 degrees of freedom
## Multiple R-squared:  0.5339, Adjusted R-squared:  0.521 
## F-statistic: 41.24 on 1 and 36 DF,  p-value: 1.903e-07

Untuk memperoleh koefisien regresi, digunakan sintaks:

koefisien <- coef(model)

a <- koefisien[1]
b <- koefisien[2]

cat("Konstanta =", a, "\n")
## Konstanta = 19.40368
cat("Koefisien regresi =", b, "\n")
## Koefisien regresi = -0.2118008
cat(
  "Persamaan regresi: TPT =",
  round(a, 4),
  "+",
  round(b, 4),
  "TPAK\n"
)
## Persamaan regresi: TPT = 19.4037 + -0.2118 TPAK

Berdasarkan hasil analisis, diperoleh persamaan regresi linear sederhana yang terdiri dari konstanta dan koefisien regresi. Konstanta menunjukkan nilai prediksi TPT ketika TPAK bernilai nol, sedangkan koefisien regresi menunjukkan perubahan nilai prediksi TPT untuk setiap kenaikan satu poin persentase TPAK.

Jika koefisien regresi bernilai negatif, maka kenaikan TPAK berkaitan dengan penurunan nilai prediksi TPT berdasarkan model.

4.6 4.6 Pengujian Hipotesis

Pengujian hipotesis dilakukan untuk mengetahui apakah koefisien regresi TPAK memiliki hubungan linear yang signifikan terhadap TPT.

Hipotesis yang digunakan adalah:

H0: Tidak terdapat hubungan linear yang signifikan antara TPAK dan TPT.

H1: Terdapat hubungan linear yang signifikan antara TPAK dan TPT.

Taraf signifikansi yang digunakan adalah 5% atau 0,05.

Sintaks R:

hasil_model <- summary(model)

t_hitung <- hasil_model$coefficients[2, 3]
p_value <- hasil_model$coefficients[2, 4]

cat("t hitung =", t_hitung, "\n")
## t hitung = -6.422088
cat("p-value =", p_value, "\n")
## p-value = 1.903271e-07
if (p_value < 0.05) {
  cat("Keputusan: H0 ditolak\n")
  cat("Terdapat hubungan linear yang signifikan antara TPAK dan TPT.")
} else {
  cat("Keputusan: H0 tidak ditolak\n")
  cat("Tidak terdapat bukti yang cukup mengenai hubungan linear yang signifikan antara TPAK dan TPT.")
}
## Keputusan: H0 ditolak
## Terdapat hubungan linear yang signifikan antara TPAK dan TPT.

Kriteria pengambilan keputusan adalah apabila nilai p-value kurang dari 0,05 maka H0 ditolak. Sebaliknya, apabila nilai p-value lebih besar atau sama dengan 0,05 maka H0 tidak ditolak.

4.7 4.7 Koefisien Determinasi

Koefisien determinasi digunakan untuk mengetahui seberapa besar variasi TPT dapat dijelaskan oleh variabel TPAK dalam model regresi.

Sintaks R:

r_squared <- summary(model)$r.squared

kd <- r_squared * 100

cat("R-squared =", r_squared, "\n")
## R-squared = 0.5339397
cat("Koefisien determinasi =", kd, "%")
## Koefisien determinasi = 53.39397 %

Nilai koefisien determinasi dinyatakan dalam persentase. Semakin besar nilai koefisien determinasi, semakin besar proporsi variasi TPT yang dapat dijelaskan oleh model regresi menggunakan TPAK sebagai prediktor.

Sementara itu, bagian variasi yang tidak dijelaskan oleh model dapat berkaitan dengan faktor lain di luar penelitian.

4.8 4.8 Pemeriksaan Asumsi Regresi

Pemeriksaan asumsi dilakukan untuk mengevaluasi kelayakan model regresi linear sederhana. Salah satu pemeriksaan yang dilakukan adalah normalitas residual.

Sintaks R:

shapiro.test(residuals(model))
## 
##  Shapiro-Wilk normality test
## 
## data:  residuals(model)
## W = 0.94127, p-value = 0.04605

Pengujian dilakukan menggunakan taraf signifikansi 5%. Apabila p-value lebih besar dari 0,05, tidak terdapat bukti yang cukup untuk menyatakan residual tidak berdistribusi normal.

Selanjutnya, dilakukan pemeriksaan grafik diagnostik:

par(mfrow = c(2, 2))
plot(model)

par(mfrow = c(1, 1))

Grafik diagnostik digunakan untuk melihat pola residual, normalitas residual, kesamaan varians, serta kemungkinan adanya pengamatan yang berpengaruh terhadap model.

Hasil pemeriksaan ini digunakan sebagai bahan evaluasi terhadap model regresi yang telah dibentuk.

4.9 4.9 Pembahasan Hasil Analisis

Berdasarkan hasil analisis yang dilakukan menggunakan RStudio, hubungan antara Tingkat Partisipasi Angkatan Kerja (TPAK) dan Tingkat Pengangguran Terbuka (TPT) dapat diketahui melalui analisis korelasi Pearson dan regresi linear sederhana.

Analisis korelasi digunakan untuk melihat arah dan kekuatan hubungan kedua variabel. Sementara itu, analisis regresi digunakan untuk mengetahui bentuk hubungan linear antara TPAK dan TPT.

Hasil pengujian hipotesis digunakan untuk mengetahui signifikansi hubungan tersebut. Koefisien determinasi digunakan untuk mengetahui proporsi variasi TPT yang dapat dijelaskan oleh model regresi.

Secara keseluruhan, hasil analisis memberikan gambaran mengenai hubungan antara partisipasi angkatan kerja dan tingkat pengangguran pada 38 provinsi di Indonesia. Namun, hasil regresi tidak dapat langsung diartikan sebagai hubungan sebab-akibat karena terdapat faktor lain yang juga dapat memengaruhi kondisi pengangguran.

5 BAB V KESIMPULAN DAN SARAN

5.1 5.1 Kesimpulan

Berdasarkan penelitian mengenai hubungan Tingkat Partisipasi Angkatan Kerja (TPAK) terhadap Tingkat Pengangguran Terbuka (TPT) di Indonesia tahun 2025 menggunakan metode regresi linear sederhana, dapat disimpulkan bahwa analisis statistika deskriptif memberikan gambaran mengenai karakteristik kedua variabel pada 38 provinsi di Indonesia. Analisis korelasi Pearson digunakan untuk mengetahui arah dan kekuatan hubungan antara TPAK dan TPT, sedangkan regresi linear sederhana digunakan untuk membentuk persamaan hubungan kedua variabel. Pengujian hipotesis dilakukan untuk mengetahui signifikansi koefisien regresi, sementara koefisien determinasi digunakan untuk mengetahui kemampuan model dalam menjelaskan variasi TPT. Dengan demikian, metode regresi linear sederhana dapat digunakan untuk menganalisis hubungan antara TPAK dan TPT berdasarkan data ketenagakerjaan antarprovinsi.

5.2 5.2 Saran

Berdasarkan hasil penelitian, disarankan agar penelitian selanjutnya menggunakan variabel tambahan yang berkaitan dengan kondisi ketenagakerjaan, seperti tingkat pendidikan, pertumbuhan ekonomi, jumlah lapangan pekerjaan, dan tingkat kemiskinan. Penambahan variabel tersebut dapat memberikan gambaran yang lebih luas mengenai faktor-faktor yang berkaitan dengan tingkat pengangguran di Indonesia. Selain itu, penggunaan data dari beberapa tahun juga dapat dilakukan untuk melihat perkembangan kondisi ketenagakerjaan dari waktu ke waktu.

6 DAFTAR PUSTAKA

Badan Pusat Statistik. (2025). Keadaan Angkatan Kerja di Indonesia Agustus 2025. Badan Pusat Statistik. https://www.bps.go.id/

Ghozali, I. (2018). Aplikasi Analisis Multivariate dengan Program IBM SPSS 25. Badan Penerbit Universitas Diponegoro.

Sugiyono. (2019). Statistika untuk Penelitian. Alfabeta.