PEMODELAN REGRESI LINIER PADA KETIMPANGAN GENDER UNTUK MEMPREDIKSI POLA DISTRIBUSI TENAGA KERJA SEKTORAL
DOI:
https://doi.org/10.56459/7p3zk432Kata Kunci:
Data mining, ketimpangan gender, kota bogor, prediksi distribusi, regresi linierAbstrak
Ketimpangan gender dalam distribusi tenaga kerja lintas sektor merupakan tantangan signifikan bagi pembangunan ekonomi yang inklusif di wilayah perkotaan. Meskipun akses pendidikan bagi perempuan meningkat, segregasi okupasional yang memisahkan peran laki-laki dan perempuan pada sektor tertentu masih mendominasi struktur pasar kerja.
Penelitian ini bertujuan untuk memodelkan dan memprediksi faktor-faktor yang memengaruhi ketimpangan gender tersebut di Kota Bogor dengan membandingkan tingkat signifikansi antara variabel kewilayahan (kecamatan) dan jenis pekerjaan terhadap proporsi gender tenaga kerja. Metode yang digunakan dalam penelitian ini adalah pendekatan data mining kuantitatif dengan menerapkan algoritma Regresi Linier Berganda (Multiple Linear Regression) dan Random Forest Regressor sebagai komparasi. Dataset yang dianalisis bersumber secara resmi dari portal open data pemerintah kota bogor untuk periode tahun 2022 dan tahun 2023. Tahapan analisis mencakup pra-pemrosesan data, pembersihan, imputasi nilai hilang, pemfilteran pembagian nol, pembersihan outlier berbasis Z-score (|Z| <= 3), one-hot encoding untuk fitur kategorikal, uji asumsi regresi, serta evaluasi model menggunakan metrik R-squared (R2), Root Mean Squared Error (RMSE), dan Mean Absolute Error (MAE).
Hasil pemodelan menunjukkan bahwa jenis pekerjaan merupakan prediktor yang dominan dan berpengaruh sangat signifikan terhadap ketimpangan gender, sedangkan variabel kewilayahan secara statistik tidak menunjukkan pengaruh yang signifikan (p > 0,05). Model mencapai tingkat akurasi (R-squared) sebesar 0,7107 pada tahun 2022 dan 0,6223 pada tahun 2023. Temuan ini menyimpulkan bahwa kebijakan kesetaraan gender di masa depan harus lebih difokuskan pada intervensi spesifik sektoral (berdasarkan jenis pekerjaan) daripada kebijakan berbasis wilayah administratif.
Referensi
[1] S. Juhásová, J. Buleca, P. Tóth, and R. Mirdala, “The Impact of Gender Inequality on GDP in EU Countries,” Central European Journal of Public Policy, vol. 17, no. 2, pp. 13–32, Dec. 2023, doi: 10.2478/cejpp-2023-0011.
[2] R. S. Azzahra, “Peran Pendidikan, Transisi Demografi, dan Partisipasi Kerja Perempuan terhadap Pertumbuhan Ekonomi:,” Bulletin of Economic Studies (BEST), vol. 5, no. 3, pp. 256–267, Dec. 2025, doi: 10.24252/best.v5i3.63661.
[3] Data Kota Bogor, “Data Pemerintah kota Bogor 2022.” Accessed: Aug. 09, 2026. [Online]. Available: https://data.kotabogor.go.id/getnewdataset/jumlah-penduduk-kota-bogor-berdasarkan-pekerjaan
[4] Data BPS, “Data BPS Kota Bogor 2024.” Accessed: Aug. 09, 2026. [Online]. Available: https://databoks.katadata.co.id/demografi/statistik/6de3dc1da378932/jumlah-penduduk-kota-bogor-1-14-juta-jiwa-data-per-2024
[5] A. Septiawan and S. H. Wijaya, “Determinan Tingkat Partisipasi Angkatan Kerja Perempuan Di Indonesia Tahun 2015-2019 Menggunakan Model Regresi Data Panel,” 2020.
[6] I. Rasyid Muchtar, “Comparison of Linear Regression and Random Forest Algorithms for Premium Rice Price Prediction (Case Study: West Java),” Jurnal Indonesia Sosial Teknologi, vol. 5, no. 7, p. 3122, 2024, [Online]. Available: http://jist.publikasiindonesia.id/
[7] S. Daruyani, O. D. Purbiyanti, I. Irawaty, and M. F. Hardeva, “IMPLEMENTASI MACHINE LEARNING MENGGUNAKAN ALGORITMA LINEAR REGRESSION UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM INDONESIA TBK,” Journal of Information System, Informatics and Computing, vol. 9, no. 1, p. 81, Jun. 2025, doi: 10.52362/jisicom.v9i1.1910.
[8] L. A. Alfia, F. Nugroho, and Y. M. Arif, “Comparative Analysis of Artificial Neural Networks, Linear Regression, Random Forest, and Support Vector Machine for Predicting Poverty Levels in Indonesia,” International Journal of Advances in Data and Information Systems, vol. 6, no. 3, pp. 789–800, Dec. 2025, doi: 10.59395/ijadis.v6i3.1467.
[9] T. Hastie, R. Tibshirani, and J. Friedman, “Springer Series in Statistics The Elements of Statistical Learning Data Mining, Inference, and Prediction.”
[10] Z. Liang, “Efficient Representations for High-Cardinality Categorical Variables in Machine Learning,” Jan. 2025, [Online]. Available: http://arxiv.org/abs/2501.05646
[11] W. Zhu, R. Qiu, and Y. Fu, “Comparative Study on the Performance of Categorical Variable Encoders in Classification and Regression Tasks,” Jan. 2024, [Online]. Available: http://arxiv.org/abs/2401.09682
[12] I. Shatz, “Assumption-checking rather than (just) testing: The importance of visualization and effect size in statistical diagnostics,” Behav. Res. Methods, vol. 56, no. 2, pp. 826–845, Feb. 2024, doi: 10.3758/s13428-023-02072-x.
[13] W. Li, D. Cook, E. Tanaka, and S. VanderPlas, “A Plot is Worth a Thousand Tests: Assessing Residual Diagnostics with the Lineup Protocol,” Journal of Computational and Graphical Statistics, vol. 33, no. 4, pp. 1497–1511, 2024, doi: 10.1080/10618600.2024.2344612.
[14] D. N. . Gujarati, Basic econometrics. McGraw Hill, 2003.
[15] J. S. Muthmaina, “The Femininomenon of Inequality: A Data-Driven Analysis and Cluster Profiling in Indonesia,” Nov. 2024, [Online]. Available: http://arxiv.org/abs/2412.00012
