Perbandingan Multinomial Logistic Discriminant Analysis (MLgDA), Classification and Regression Trees (CART), dan Algoritme EasyEnsemble (Studi Kasus: Dampak Anak Bekerja di Indonesia, 2018).

Abstract

Indonesia melalui Kementerian Ketenagakerjaan telah menerbitkan Peta Jalan (Roadmap) “Menuju Indonesia Bebas Pekerja Anak Tahun 2022”. Namun data masih mencatat terdapat 7.23 persen anak bekerja pada tahun 2017, lima tahun menjelang tahun target. Faktanya, temuan tersebut meningkat sejak 2015 yang hanya mencapai 5.99 persen. Anak bekerja mengalami berbagai dampak permasalahan, yang paling terlihat jelas adalah mengenai pendidikan dan jumlah jam kerja. Anak bekerja ada yang terhambat akses pendidikannya, tereksploitasi secara jam kerja, atau bahkan mengalami kedua dampak tersebut sekaligus. Untuk itu perlu ditemukan faktor pengklasifikasi pada dampak anak bekerja. Tujuan utama penelitian ini ialah menentukan metode yang tepat dalam mengklasifikasikan dampak anak bekerja. Metode yang dicobakan adalah Multinomial Logistic Discriminant Analysis (MLgDA), Classification and Regression Trees (CART), dan algoritme EasyEnsemble. Ketiga metode tersebut sama-sama berguna dalam pengklasifikasian kasus multikelas tidak berorde. Keunggulan MLgDA antara lain cocok untuk data yang terdiri dari peubah numerik dan kategorik, formulasinya mudah dipahami, dan cocok untuk berbagai distribusi. CART efisien dalam mengklasifikasikan sampel baru, telah teruji secara luas implementasinya dalam perangkat lunak, mampu mengatasi data yang hilang, tidak terpengaruh adanya pencilan, kolinieritas, dan heteroskedastisitas antar peubahnya, serta tidak ada trasnformasi data. Algoritme EasyEnsemble merupakan algoritme terbaik dari beberapa metode ensemble yang pernah dikembangkan saat ini, memiliki waktu pengolahan yang lebih cepat daripada algoritme lain, serta tahapan algoritmenya mudah dipahami. Data penelitian ini bersumber dari Survei Angkatan Kerja Nasional (Sakernas) 2018. Sebanyak 15.53 % anak bekerja terhambat akses pendidikannya. Anak bekerja tereksploitasi secara jam kerja sebesar 19.89 %. Anak bekerja terhambat akses pendidikannya sekaligus tereksploitasi secara jam kerja sebesar 18.89 %. Sementara 45.69 % sisanya anak bekerja tidak mengalami kedua dampak. Kinerja klasifikasi dampak anak bekerja terbaik dihasilkan oleh MLgDA. MLgDA memberikan rata-rata nilai akurasi, sensitifitas, dan spesifisitas yang lebih baik daripada CART dan algoritme EasyEnsemble. Peubah yang berpengaruh nyata terhadap dampak anak bekerja antara lain hubungan anak dengan kepala rumah tangga (KRT), tingkat pendidikan anak, kegiatan utama anak seminggu yang lalu, lapangan pekerjaan utama anak, lama bekerja anak di pekerjaan utama, status pekerjaan utama anak, upah/gaji/pendapatan bersih sebulan anak, umur KRT, tingkat pendidikan KRT, jumlah jam kerja seminggu KRT, dan status pekerjaan utama KRT.