Latar Belakang

Pertumbuhan penduduk yang tinggi akan berdampak positif pada suatu negara karena semakin banyaknya sumber daya manusia yang sangat besar. Namun pertumbuhan penduduk yang tinggi akan berdampak negatif jika tidak diimbangi dengan sarana-prasarana dalam pemenuhan kebutuhan masyarakat seperti lapangan pekerjaan.

Pada tahun 2020, jumlah penduduk sebesar 270,20 juta jiwa, Sementara, berdasarkan jenis kelamin, jumlah penduduk berjenis kelamin laki-laki adalah sebesar 136,66 juta jiwa atau 50,58 persen dan penduduk perempuan sebesar 133,54 juta jiwa atau 49,42 persen. Jika dibandingkan dengan sensus-sensus penduduk sebelumnya, rasio jenis kelamin penduduk Indonesia cenderung meningkat dari waktu ke waktu. Pada tahun 2020 rasio jenis kelamin penduduk Indonesia adalah sebesar 102, artinya terdapat 102 laki-laki untuk setiap 100 perempuan. Angka rasio jenis kelamin yang lebih besar dari 100 menggambarkan bahwa jumlah penduduk laki-laki lebih banyak daripada jumlah penduduk perempuan. Selama ini pertumbuhan jumlah penduduk laki-laki selalu lebih banyak dibandingkan perempuan, namun hasil proyeksi jumlah penduduk pada tahun 2032 menunjukkan bahwa penduduk perempuan diperkirakan lebih banyak daripada laki-laki, yaitu perempuan sebanyak 149,19 juta jiwa sementara laki-laki berjumlah 149,17 juta jiwa. Hal tersebut menunjukkan bahwa jumlah penduduk perempuan lebih 21 ribu dibandingkan laki-laki.

Berdasarkan hasil Sensus Penduduk 2020 menunjukkan bahwa, mayoritas penduduk Indonesia merupakan penduduk berumur produktif. Persentase penduduk usia produktif (15–64 tahun) terus meningkat sejak 1971. Pada 1971 proporsi penduduk usia produktif adalah sebesar 53,39 persen dari total populasi dan meningkat menjadi 70,72 persen di 2020. Perbedaan antara persentase penduduk usia produktif dan nonproduktif (0–14 tahun dan 65 tahun ke atas) terlihat lebih tajam di 2020. Persentase penduduk usia produktif yang lebih besar dibandingkan. Angka tersebut cukup baik jika diasumsikan bahwa semua penduduk Indonesia usia produktif mempunyai pekerjaan.

Namun faktanya, pada tahun 2020 masih terdapat 7,07 persen tingkat pengangguran terbuka (TPT), 10,19 persen yang setengah menganggur, dan 25,96 persen pekerja paruh waktu. Terkait hal itu maka akan menambah beban pada penduduk usia produktif.

Jumlah angkatan kerja pada tahun 2020 sebanyak 203,97 juta orang yang naik 2,36 juta orang dibandingkan tahun sebelumnya. Tingkat Partisipasi angkatan kerja (TPAK) sebesar 67,77 persen yang meningkat 0,24 persen dari tahun sebelumnya. Kenaikan jumlah angkatan kerja juga sejalan dengan peningkatan jumlah penduduk.

Meskipun tingkat Partisipasi angkatan kerja naik, namun tingkat pengangguran terbuka masih cukup tinggi yaitu 7,07 persen. Berdasarkan jenis kelamin, TPAK laki-laki pada tahun 2020 sebesar 82,41 persen, sedangkan TPAK perempuan hanya 53,13 persen. Hal tersebut masih ada kesenjangan yang terjadi antara laki-laki dan perempuan di bidang ketenagakerjaan.

Ada beberapa faktor yang mempengaruhi rendahnya nilai TPAK perempuan yaitu salah satunya masih terdapat budaya Indonesia yang menganut budaya patriarki. Menurut Rokhmansyah (2013) dibukunya yang berjudul Pengantar Gender dan feminisme, patriarki berasal dari kata partriakat yang artinya struktur menempatkan laki-laki sebagai penguasa tunggal, sentral, dan segala-galanya. Sistem tersebut dapat mempengaruhi kesenjangan dan ketidakadilan gender kedalam berbagai aspek. Misalnya dalam bidang pendidikan, pekerjaan, politik, dan lainnya yang masih rendah peran perempuan di dalamnya.

Jumlah angkatan kerja di Provinsi Aceh pada Agustus 2020 sebanyak 2.527 ribu orang, naik 122 ribu orang dibanding Agustus 2019. Sejalan dengan naiknya jumlah angkatan kerja, Tingkat Partisipasi Angkatan Kerja (TPAK) juga meningkat sebesar 1,97 persen poin. Pada Agustus 2020, TPT naik 0,42 persen poin dibanding Agustus 2019 menjadi 6,59 persen. Provinsi Aceh menjadi salah satu Provinsi nilai TPT yang relatif tinggi di Pulau Sumatera, berada pada peringkat 3 paling tinggi.

Tujuan

Berdasarkan uraian diatas, penulis ingin meneliti pemodelan analisis regresi logistik pada Partisipasi angkatan kerja perempuan dalam perekonomian di Aceh tahun 2020

Tujuan dari penelitian ini adalah:

1. Menentukan gambaran umum dan karakteristik Partisipasi perempuan usia angkatan kerja di Aceh tahun 2020

2. Mengetahui seberapa besar pengaruh variabel-variabel penjelas terhadap variabel respons pada kasus Partisipasi perempuan usia angkatan kerja di Aceh tahun 2020.

Analisis Deskriptif

Analisis deskriptif digunakan untuk mendeskripsikan atau menggambarkan data secara umum (Sugiyono, 2008: 147).

Dalam penelitian ini analisis deskriptif bertujuan untuk melihat karakteristik variabel-variabel penjelas meliputi status tempat tinggal, kepemilikan balita, status perkawinan, status bekerja dari kepala rumah tangga, tingkat pendidikan, dan status kemiskinan. dalam rumah tangga diduga mempengaruhi tingkat Partisipasi perempuan dalam perekonomian di Aceh tahun 2020.

Analisis Inferensia pada penelitian ini menggunakan Regresi Logistik

Regresi Logistik

Regresi logistik dalah suatu metode analisis data yang digunakan untuk mencari hubungan antara variabel respon yang bersifat dikotomus dengan variabel penjelas yang bersifat dikotomus atau polikotomus. Variabel respon terdiri dari dua kategori yaitu “sukses” dan “gagal” sehingga distribusi yang diikuti adalah distribusi Bernoulli untuk setiap observasi tunggal. Fungsi probabilitas regresi logistik dinotasikan P(Y=1|X) = p. Regresi logistik merupakan suatu model yang mendeskripsikan hubungan antara beberapa variabel bebas dengan variabel respon yang bersifat dikotomis (dua kategori) atau polikotomis (lebih dari dua kategori). Model regresi logistik biner digunakan ketika variabel responnya berupa data kualitatif dikotomi yang bernilai 1 untuk kejadian sukses dan 0 untuk kejadian gagal (Agresti, 2007). Distribusi yang diikuti dalam regresi logistik biner adalah distribusi Bernoulli untuk setiap observasi tunggal (Setyaningrum, 2020). Model dari regresi logistik ganda adalah sebagai berikut:

\(\log[\frac{P(X)}{1-P(X)}]=β_{0}+β_{1}X_{1}+ ... +β_{p}X_{p}\)

Analisis Deksriptif

Pada penelitian ini digunakan data hasil Susenas 2002 pada bulan Maret yang dilaksanakan oleh BPS. Sampel yang digunakan dalam penelitian ini sebanyak 18195 perempuan usia kerja di Aceh tahun 2020, dimana sebanyak 7826 berstatus kerja sedangkan sebanyak 10368 berstatus tidak bekerja. Tingkat Partisipasi perempuan dalam perekonomian erat kaitannya dengan keadaan sosial ekonomi. Karakteristik perempuan usia kerja di Aceh akan disajikan dalam bentuk ringkasan tabel, selanjutnya mengenai gambaran hubungan antar variabel respon dengan variable-variabel penjelas akan disusun berdasarkan masing-masing variabel dalam bentuk diagram batang dan lingkaran. Variabel yang akan dijelaskan adalah variabel respon (status kerja perempuan) dan lima variabel penjelas yaitu kepemilikan balita, status perkawinan, status kemiskinan, status KRT, tempat tinggal, dan tingkat pendidikan.

Tabel 2. Frekuensi dan persentase gambaran umum karakteristik Partisipasi Angkatan kerja perempuan dalam perekonomian di Aceh Tahun 2020.

Regresi Logistik

MEMBAGI DATA TRAIN DAN TEST

Dalam rangka membentuk model dan melakukan pengujian model yang telah dibuat, dilakukan pengambilan sampel dari data Partisipasi angkatan kerja perempuan di Aceh Tahun 2020. Pengambilan sampel ini dibagi menjadi 2 bagian data sehingga akan diperoleh dua bagian data, yaitu data train untuk membentuk model, dan data test untuk menguji model yang telah dibuat.

set.seed(202103)
sample <- sample(nrow(dataset),floor(nrow(dataset)*0.8))
train <- dataset[sample,]
test <- dataset[-sample,]

MODEL REGRESI LOGISTIK

Model regresi logistik yang dibentuk dengan memasukkan peubah Status Tempat Tinggal, Kepemilikan Balita, Status Kawin, Status Kemiskinan, Status KRT, dan Tingkat Pendidikan.

logit <- glm(angkatan_kerja_perempuan ~ tempat_tinggal+balita+status_kawin+status_kemiskinan+status_krt+tingkat_pendidikan, data=train, family = "binomial")
summary(logit)

## 
## Call:
## glm(formula = angkatan_kerja_perempuan ~ tempat_tinggal + balita + 
##     status_kawin + status_kemiskinan + status_krt + tingkat_pendidikan, 
##     family = "binomial", data = train)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.6777  -1.0246  -0.7503   1.2143   1.7961  
## 
## Coefficients:
##                     Estimate Std. Error z value Pr(>|z|)    
## (Intercept)          1.38453    0.08366  16.549  < 2e-16 ***
## tempat_tinggal1      0.16531    0.03807   4.342 1.41e-05 ***
## balita1              0.06275    0.05347   1.174    0.241    
## status_kawin1       -0.75299    0.04110 -18.319  < 2e-16 ***
## status_kemiskinan1   0.26705    0.05342   4.999 5.77e-07 ***
## status_krt1         -1.15020    0.05519 -20.841  < 2e-16 ***
## tingkat_pendidikan1 -0.87203    0.03995 -21.827  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 19884  on 14554  degrees of freedom
## Residual deviance: 18706  on 14548  degrees of freedom
## AIC: 18720
## 
## Number of Fisher Scoring iterations: 4

Dari model tersebut terlihat bahwa peubah peubah penjelas Status Tempat Tinggal, Status Kawin, Status Kemiskinan, Status KRT, dan Tingkat Pendidikan. memberikan respon yang signifikan terhadap partisipasi angkatan kerja perempuan bekerja, sedangkan Kepemilikan Balita tidak signifikan.

Beberapa peubah penjelas, seperti Status Tempat Tinggal dan Status Kemiskinan bernilai positif, sementara peubah penjelas status perkawinan, status KRT, dan Tingkat Pendidikan bernilai negatif.

Selanjutnya, dilakukan interpretasi dari koefisien yang terbentuk dari model tersebut.

logit$coefficient

##         (Intercept)     tempat_tinggal1             balita1       status_kawin1 
##          1.38453320          0.16531123          0.06275306         -0.75299401 
##  status_kemiskinan1         status_krt1 tingkat_pendidikan1 
##          0.26704599         -1.15020486         -0.87203429

exp(logit$coefficients)

##         (Intercept)     tempat_tinggal1             balita1       status_kawin1 
##           3.9929616           1.1797602           1.0647639           0.4709544 
##  status_kemiskinan1         status_krt1 tingkat_pendidikan1 
##           1.3061005           0.3165719           0.4181001

Evaluasi Model

Untuk mengevaluasi model yang sudah dibentuk, akan dilakukan dua perhitungan, yaitu dengan confusion matrix dan ROC curve

test$pred <- predict(logit, test, type="response")
test$angkatan_kerja_perempuan_pred <- ifelse(test$pred > 0.50, "1", "0")
test$angkatan_kerja_perempuan_pred <- as.factor(test$angkatan_kerja_perempuan_pred)
test$angkatan_kerja_perempuan <- as.factor(test$angkatan_kerja_perempuan)
(conf.mat<-caret::confusionMatrix(test$angkatan_kerja_perempuan_pred, test$angkatan_kerja_perempuan, positive="1"))

## Confusion Matrix and Statistics
## 
##           Reference
## Prediction    0    1
##          0 1618  962
##          1  440  619
##                                           
##                Accuracy : 0.6147          
##                  95% CI : (0.5987, 0.6306)
##     No Information Rate : 0.5655          
##     P-Value [Acc > NIR] : 9.865e-10       
##                                           
##                   Kappa : 0.1848          
##                                           
##  Mcnemar's Test P-Value : < 2.2e-16       
##                                           
##             Sensitivity : 0.3915          
##             Specificity : 0.7862          
##          Pos Pred Value : 0.5845          
##          Neg Pred Value : 0.6271          
##              Prevalence : 0.4345          
##          Detection Rate : 0.1701          
##    Detection Prevalence : 0.2910          
##       Balanced Accuracy : 0.5889          
##                                           
##        'Positive' Class : 1               
## 

plotROC(test$angkatan_kerja_perempuan=="1", test$pred)