Hubungan antara Rata-Rata Lama Sekolah dengan Tingkat Pengangguran Terbuka di Indonesia Tahun 2023

  • Tasyah Syarmilati Statistika
  • Suliadi Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Bandung
Keywords: Central Bureau of Statistics, Pearson Correlation, Average years of schooling

Abstract

Abstract. The relationship between average years of schooling and poverty rates is important for social and economic development. Average years of schooling, which measures the number of years of formal education received by the population, and poverty rates, which indicate the percentage of the population below the poverty line, are indicators of social welfare. Data from the Central Statistics Agency (BPS, 2023) shows that the average years of schooling in Indonesia in 2023 were 8.6 years, the poverty rate was 9.57%, and the open unemployment rate was 5.8%. Based on this phenomenon, it is important to have a deep understanding of the relationship between average years of schooling and unemployment in order to design more effective policies. The method used is Pearson correlation because the data from both variables follow a normal distribution. The results of the study showed that the relationship between average years of schooling and the open unemployment rate in Indonesia in 2023 is included in the moderate category. Although the average length of schooling has increased, open unemployment has also increased, indicating a significant relationship that needs to be considered in education and employment policies.

Abstrak. Hubungan antara rata-rata lama sekolah dan angka kemiskinan penting untuk pembangunan sosial dan ekonomi. Rata-rata lama sekolah, yang mengukur jumlah tahun pendidikan formal yang diterima penduduk, dan angka kemiskinan, yang menunjukkan persentase penduduk di bawah garis kemiskinan, merupakan indikator kesejahteraan sosial. Data Badan Pusat Statistik (BPS, 2023) menunjukkan bahwa rata-rata lama sekolah di Indonesia pada 2023 adalah 8,6 tahun, angka kemiskinan 9,57%, dan tingkat pengangguran terbuka 5,8%. Berdasarkan fenomena tersebut pentingnya pemahaman yang mendalam tentang hubungan antara rata-rata lama sekolah dan pengangguran untuk merancang kebijakan yang lebih efektif.  Metode yang digunakan adalah korelasi Pearson karena data dari kedua variabel mengikuti ditsribusi normal. Korelasi Pearson memberikan nilai antara -1 dan 1, di mana nilai 1 menunjukkan hubungan positif sempurna, nilai -1 menunjukkan hubungan negatif sempurna, dan nilai 0 menunjukkan tidak adanya hubungan linear antara variabel. Hasil penelitian menunjukkan bahwa hubungan antara rata-rata lama sekolah dan tingkat pengangguran terbuka di Indonesia pada 2023 termasuk dalam kategori sedang. Meskipun rata-rata lama sekolah meningkat, pengangguran terbuka juga mengalami peningkatan, menunjukkan hubungan signifikan yang perlu diperhatikan dalam kebijakan pendidikan dan ketenagakerjaan.

References

Badan Pusat Statistik (BPS). (2023). Laporan Statistik Pelndidikan dan Telnaga Kelrja di Indonelsia 2023. Jakarta: BPS.

Sukirno, S. (2022). Analisis Pelngaruh Pelndidikan telrhadap Pelngangguran di Indonelsia: Pelrspelktif Telori Modal Manusia. Jurnal ELkonomi Pelmbangunan, 31(1), 95-112.

Belckelr, G. S. (1964). Human Capital: A Theloreltical and ELmpirical Analylsis, with Spelcial Relfelrelncel to ELducation. Chicago: Univelrsityl of Chicago Prelss.

Ramiaylu,D.D. (2016). Analisis Pelngaruh Rata-Rata Lama Selkolah, Upah minimum, dan Pelrtumbuhan ELkonomi Telrhadap Tingkat Pelngangguran Telrbuka Kabupateln/Kota Jawa Timur. Fakultas ELkonomi Dan Bisnis Univelrsitas Brawijayla

Suaidah,I & Cahylono, H. (2022). Pelngaruh Pelndidikan Telrhadap Tingkat Pelngangguran Telrbuka di Indonelsia. Jurnal ELkonomi dan Pelmbangunan, 33(1), 45-60.

Fielld, A. (2013). Discovelring Statistics Using IBM SPSS Statistics. London: Sagel Publications.

Karylana, YL. (2008). Statistika Nonparameltrik. Bandung: Univelrsitas Islam Bandung

Belinel, M., Noël, R., & Santoni, J. (2014). Deltelrminants of thel Migration of Highlyl Skilleld Workelrs: ELvidelncel from a Panell of Countriels. Labour ELconomics, 29, 68-79.

Eva Fridiyani Putri, & Kismiantini. (2024). Analisis Faktor-Faktor yang Memengaruhi Status Diabetes Mellitus pada Pra Lansia dan Lansia di Indonesia Menggunakan Model Regresi Logistik Biner. Statistika, 24(1), 54–64. https://doi.org/10.29313/statistika.v24i1.3319

Primanda, E., & Oktora, S. I. (2024). Analisis Ketertinggalan Desa di Provinsi Papua dan Papua Barat Menggunakan Association Rule Mining. Statistika, 24(1), 102–114. https://doi.org/10.29313/statistika.v24i1.2302

Salnuddin, Susanto, A. N., & Bemba, J. (2024). Perbandingan Penggunaan Model Regresi Linear dan Nonlinear dalam Mendeterminasi Daya Simpan Panas (DSP) Gerabah Pengembangan. Statistika, 24(1), 65–74. https://doi.org/10.29313/statistika.v24i1.3466

Published
2024-08-13