Puasa dan Rebus Kubis

Sumber gambar: Google

 

Rasa manis yang tersembunyi ditemukan dalam perut yang kosong ini!

Ketika perut kecapi telah terisi, ia tidak dapat bersuara, nada rendah maupun nada tinggi.

Jika otak dan perutmu terbakar karena puasa, api mereka akan mengeluarkan ratapan dalam dadamu.

Melalui api itu, setiap waktu kau akan membakar seratus tabir– kau akan mendaki seribu seribu derajat di atas Jalan dan di dalam hasratmu.

Kosongkan perutmu! Merataplah seperti sebuah kecapi dan sampaikan keinginanmu pada Tuhan! Kosongkan perutmu dan bicaralah tentang misteri bagi ilalang.

Jika kau biarkan perutmu penuh, ia akan menjadi Setan bagimu di saat Kebangkitan, sebagai ganti akalmu, menjelma berhala sebagai bentuk Kabah.

Ketika kau puasa, amal-amal baik mengelilingimu bagaikan hamba sahaya, budak-budak, dan bergerombol.

Teruskan puasamu, karena ia adalah stambuk Sulaiman. Jangan kau berikan stambuk itu pada Setan, jangan kacaukan kerajaanmu.

Dan jika kerajaan dan pasukanmu hendak lari darimu, pasukanmu akan kembali, dan berilah dia perintah!

Hidangan telah datang dari surga bagi mereka yang berpuasa, karena Isa anak Maryam memanggilnya turun dengan doa[1].

Tunggulah Hidangan Rahmah dengan puasamu– ia lebih baik daripada kubis rebus.

Sumber: Rumi, Diwan 1793.

Demikianlah cara Rumi menggambarkan puasa: mudah dicerna, kaya-makna, tidak terkesan menggurui, dan … jenaka. Konon, karena kejenakaan ini maka pesan sufistik Rumi dapat diterima dengan mesem-mesem oleh para ulama besar yang kurang sreg dengan Sufi.

Juga terkait kejenakaan ini, siapa yang mampu berpikir untuk mengaitkan puasa[2] dengan kubis rebus, misalnya. Menariknya lagi, dalam Diwan ini Rumi mengontraskan “kubis rebus” dengan “Hidangan Rahmah” tanpa menjelaskan apa yang dimaksud dengan istilah ini. Dugaan penulis istilah ini merujuk pada “Hidangan dari Langit” sebagaimana yang tercantum dalam doa Nabi Isa Ibnu Maryam:

Isa putra Maryam berdoa, “Ya Tuhan kami, turunkan kepada kami hidangan dari langit (yang hari turunnya) akan menjadi hari raya bagi kami, yaitu bagi bagi orang yang sekarang bersama kami maupun bagi datang setelah kami, dan menjadi tanda bagi kekuasaan Engkau, berikanlah kepada kami rezeki, dan Engkaulah sebaik-baiknya pemberi rezeki (QS 5:114).

Wallahualam bi muradih.

[1] Lihat QS (5:114)

[2] Beberapa tulisan lain mengenai puasa dapat diakses di SINI.

 

Kecukupan Sampel Survei Hitungan Cepat Pilpres 2019

Sumber Gambar: Google

Sebagian pembaca hasil Hitung Cepat (quick count) Pilpres 2019 mempertanyakan kecukupan sampel TPS. Pertanyaan ini muncul karena tidak tersedanya di ruang publik informasi yang memadai mengenai rancangan sampel survei yang bersangkutan. Terkait dengan isu ini penulis, sebagai ilustrasi, hanya mengetahui bahwa besar sampelnya sekitar 2,000 TPS (=n) yang diambil dari sekitar 800,000 TPS (=N).

Pertanyaan risetnya  “Apakah sampel n itu sudah mewakili populasi N itu?” Pertanyaan semacam mencerminkan suatu keraguan positif yang layak dihargai. Penulis yakin para perancang survei Hitung Cepat sudah mengkaji masalah ini. Walaupun demikian, keyakinan agar mantap, seperti nasehat para  ustaz, perlu diuji. Tulisan ini dimaksudkan untuk keperluan uji semacam itu.

Soal Heterogenitas

Pertanyaan riset di atas sebenarnya tidak tepat. Kenapa? Karena penetapan besar sampel tidak dipengaruhi oleh besar populasi; kalau pun ada, pengaruhnya sangat kecil sehingga bisa dan biasa diabaikan. Ilustrasi mengenai pengaruh ini disajikan di bawah. Untuk sementara dapat dikatakan bahwa sampel tidak harus that big, tetapi big enough untuk mewakili populasi, ada batas minimum.

Kenapa sampel tidak harus selalu besar? Penjelasannya sederhana. Ketika memeriksakan diri  untuk mengetahui kadar gula darah Anda, misalnya, Anda cukup memberikan kurang dari setetes darah Anda, terlepas dari apakah Anda tergolong gemuk-basah atau kurus-kering. Ya kan? “Kurang dari setetes darah” sudah sudah mewakili keseluruhan darah yang mengalir dalam tubuh Anda. That is the beauty of sampling.

Tapi nanti dulu. Contoh di atas mengasumsikan homogenitas populasi. Artinya, dari bagian badan mana pun darah diambil, hasilnya diasumsikan sama saja. Jika dianalogikan dengan Pilpres, teknik ini mengasumsikan kesamaan kecenderungan preferensi para pemilih di semua TPS. Jadi, preferensi pemilih di Kota Bandung atau Kota Padang, misalnya, diasumsikan sama dengan Kabupaten Sidoarjo atau Kota Kupang.

Asumsi semacam ini layak dipertanyakan. Demikian halnya dengan teknik “pengambilan acak sederhana” (Simple Random Sampling, SRS) yang mengasumsikan homogenitas populasi.

[Selain itu, dalam dunia nyata teknik SRS ini bisa sangat tidak nyaman dan sangat mahal. Bisa saja dari 2,000 TPS yang terpilih, lebih separuh menyebar di kawasan timur Indonesia termasuk Papua.]

Apa hubungannya dengan besar sampel? Hubungannya sederhana: semakin heterogen suatu populasi, semakin besar kebutuhan akan sampel yang besar. Jadi, hubungan antara keduanya berbanding lurus.

Proporsi dan Koefisien Variasi

Perhitungan besar sampel minimal (=n) menghendaki antara lain agar perencana sampel menetapkan indikator utama yang ingin dihitung, memperkirakan angkanya (=p), dan memperkirakan koefisien variasinya (=CV). Jadi logikanya agak berputar. Tujuan survei adalah menghitung angka proporsi populasi (=P), tetapi belum apa-apa sudah diminta macam-macam. Tetapi itulah rumusnya: n berbanding lurus dengan p dan CV.

Untungnya, angka-angka perkiraan itu tidak dituntut sangat cermat, sejauh masuk akal. Sebagai ilustrasi, jika indikator utama yang ditetapkan adalah proporsi suara Merah[1] (=p) dan angka perkiraannya 0.5 atau 50%, maka cara penetapan itu boleh dibilang excellent. Kenapa? Karena: (1) sederhana, (2) terkesan netral, dan (3) berdasar. Apa dasarnya? Hasil Pemilu 2014 yang menghasilkan angka sekitar itu.

Cara itu selain excellent sebenarnya juga cerdas. Kenapa? Karena dengan menetapkan p sebagai indikator maka variannya sudah dapat diketahui sejak dini yaitu p*(1-p). Juga dengan menetapkan p=0.5 maka koefisien variannya (=CV) relatif mudah diingat yaitu 2:

p/[p*(1-p)] = (0.5)/ [(0.5)*(1-0.5)] = 2

Komponen Pembentuk Sampel

Menurut salah satu buku pintar[2], ada lima faktor yang mempengaruhi besar sampel (n). Ini daftarnya:

  1. Tingkat keyakinan (confidence interval) yang diukur dengan skor z dalam distribusi normal,
  2. Efek rancangan sampel (=deff), dan
  3. Perkiraan awal indikator utama, misalnya, proporsi yang memilih Merah (=p).
  4. Margin kesalahan (margin error, e)
  5. Angka respons (response rate: RR)

Dua faktor yang terakhir dalam daftar di atas  mempengaruhi n secara berbanding terbalik sedangkan yang lainnya berbanding lurus. Faktor yang ke-2 (deff) agak sulit dijelaskan dalam tulisan singkat dan bahkan diakui “sulit diputuskan”[3]:

It is much more difficult to decide what the design effect should be when a cluster sample design is planned and there is no prior knowledge of the effect of clustering on the sampling variance. In this case, a design effect of at least 2 might be used, although the design effect of a highly clustered design may be as high as 6 or 7.1 for a stratified sample design and deff ≥ 1 for a cluster sample design.

Contoh penghitungan

Uraian di atas bagi sebagian mungkin terkesan jelimet walaun sebenarnya tidak, apalagi jika diilustrasikan melalui contoh konkret dan secara bertahap. Berikut disajikan ilustrasi yang dimaksud menggunakan skenario yang dibuat serealistis mungkin.

Diketahui: Total TPS (=N)= 800,000.

Pertanyaan: Berapa jumlah minimal TPS yang diperlukan untuk mengintimasi proporsi yang memilih Merah (=P)?

Diasumsikan: (a) Tingkat keyakinan (confidence interval): 95% atau z=1.96, (b) e= 5%, (c) RR=95%, (d) deff=2, dan (e) p=0.5.

Jawab:

Penetapan sampel awal (=n1):.

n1= [(z*z)*(p*(1-p))]/(e*e)

= [(1.96*1.96)*(0.5*0.5)]/(.05*.05)

= 384.16

Penyesuaian (adjustment) karena relativitas besar sampel terhadap populasi (=n2):

n2 = n1 * [N/ (N+n1)]

= 384.16 * [800,000 / (800,000+384.16)]

= 383.98

Penyesuaian karena pengaruh rancangan sampling (=deff) (=n3):

n3 = deff * n2

= 2*383.98

= 768.32

Penyesuaian arena RR (=n4):

n4 = n3/0.95

= 808.75

Itulah angka akhir, 800 TPS. (Pada tahapan sekarang sudah boleh pembulatan agar kelihatan elok.) Kesimpulannya ini:

Sampel 2,000 TPS sudah lebih dari cukup bahkan berlebihan untuk mewakili 800,000 TPS.

Tapi nanti tunggu dulu. Kesimpulan itu kondisional:

Angka 800 adalah angka minimum untuk satu domain estimasi. Jadi, jika “nian ingsun” hanya untuk estimasi nasional maka kesimpulan di atas berlaku. Tapi jika ingin estimasi provinsi maka kesimpulan tidak berlaku karena kebutuhan sampel menjadi (800*34) atau sekitar 27,000.

Diskusi di atas terakit dengan besar sampel (sample size). Bagaimana dengan alokasi sampel? Ini isu lain yang lebih kompleks tetapi dapat tergambar dalam daftar pertanyaan berikut:

  1. “Apakah alokasi sampel sudah memenuhi prinsip acak?”
  2. “Adakah jenjang dalam pemilihan sampelnya?”: (a) “Ujug-ujug milih TPS?”, atau (b) “Dipilih dulu kab./kota, kecamatan, lalu desa?”, atau (c) “Bagimana?”
  3. “Jika ada jenjang, apakah probabilitas terpilihnya setiap jenjang sudah memperhitungkan weighting?”
  4. “Apakah estimasi akhir mempertimbangkan weighting?”

Pusing toh? Yo wis!

[1] Mengenai simbolisme Merah dan Hijau lihat INI.

[2] Statistics Canada (2010), Survey Methods and Practices

[3] Ibid, halaman 168.

Membaca Hasil Hitung Cepat Pilpres

Sumber gambar: Google

#tak-beda-nyata, #rada-rada bodoh, #justifikasi

Tak-Beda-Nyata

Pemilu Indonesia 2019 baru usai. Proses pelaksanaannya relatif mulus. Ini tentu berkat rahmat-Nya yang patut disyukuri.

Hasil resminya baru akan diketahui dalam hitungan minggu. Tapi gambarannya, khususnya Pilpres, dapat diketahui secara lebih dini berdasarkan hasil hitungan cepat (quick count).

Menariknya, angka hitungan cepat yang beredar secara keseluruhan tidak-beda-nyata dengan hasil Pemilu 2014: Paslon 1 (katakanlah Merah) memperoleh angka sekitar 55%, sisanya untuk Paslon 2 (Katakanlah Hijau).

Tidak hanya itu. Sebaran provinsi juga tak-beda-nyata. Sebagai ilustrasi, JaBar yang pada 2014 Hijau, 2019 juga Hijau; kepekatan kehijauannya juga tak-beda-nyata. Sebagai ilustrasi lain, kepekatan Merah Jatim 2014 dan 2019 juga tak-beda-nyata.

[Aumsi penulis, fakta ini  digunakan oleh penyelenggara Survei Hitung cepat untuk menghitung probability terpilihnya suatu TPS serta digunakan untuk menghitung weighting . Wallahualam dalam praktiknya.]

Bagaimana menafsirkan fakta di atas? Itu bisa dimaknai sebagai “kesuksesan” atau “kegagalan” bagi Merah maupun Hijau. Tergantung cara pandang: Apakah air yang mengisi separuh gelas “tinggal separuh” atau “masih separuh” (bagi yang optimistis). Maksudnya ini: Merah sukses mempertahankan kemerahan wilayah Merah tetapi gagal memerahkan wilayah Hijau; analog dengan Hijau.

Kondisi ini sangat kontras dengan pengalaman Amerika Serikat, misalnya, di mana Hijau (Demokrat) mampu menghijaukan sebagian wilayah Merah sehingga statusnya di Kongres berubah dari minoritas menjadi mayoritas.

Apakah artinya bagi Indonesia? Tim pemenangan kurang berhasil? Kampanye Merah maupun Hijau tidak efektif?

Wallahualam. Penulis tidak punya kompetensi untuk menganalisis lebih jauh. Kompetensi penulis adalah membaca hasil Hitungan Cepat.

Rada-rada Bodoh

Jika seorang statistisi disuguhi angka hanya satu survei 55% untuk Merah dan 45% untuk Hijau maka dia tidak dapat menyimpulkan siapa pemenangnya. Bodoh kan? Padahal definisi menang dalam sistem demokrasi sangat jelas: peraih angka >=50%+1 suara.

Jika didesak untuk menyimpulkan maka statistisi akan balik tanya. Itulah susahnya berhubungan dengan statitisi. Pertanyaannya kira-kira begini: “Bapak mau mentoleir batas kesalahan (margin error, ME) berapa persen? 1%, 10%, 20% atau berapa%?:

  • Jika Bapak mentolelir ME <=10% , maka yang menang adalah Merah; tetapi
  • Jika Bapak mentolelir angka ME =20% (apalagi lebih besar), maka pemenangnya tidak ada.

Pusing kan? Itulah salah satu the beauty of statistics.

Bagi statistisi ragam angka adalah “berkah”. Juga bagi statitisi, setiap hasil survei pasti (haqqul yaqiin?) mengandung kesalahan (errors). Jadi tergantung kesediaan menerima toleransi kesalahan.

Dalam pandangan statistisi, angka 55%, dengan ME 20%, misalnya, perlu dibaca sebagai himpunan angka yang terletak antara 44 dan 66, 44%<55%<66%. Apa artinya? Rentang angkanya mencakup angka milik Hijau yaitu 45%. Apa kesimpulannya? Dua angka 45% dan 55% sebenarnya secara statitik tidak-beda- nyata (statistically insignificant).

Justifikasi

Pola berpikir statistik ini sebenarnya yang dapat digunakan untuk menjustifikasi keputusan UU pemilu untuk menggunakan “hasil perhitungan angka manual seluruh suara.

Pola berpikir statistik semacam ini menjustifikasi UU pemilu yang mengamanatkan  agar untuk memperoleh angka resmi digunakan hasil perhitungan seluruh suara secara manual.

Pola pikir yang sama sebenarnya dapat juga digunakan untuk memberikan penilaian bahwa bermacam-macam hasil hitungan cepat sebenarnya tidak beda secara statitik; robust, kata orang statistik.

Tetapi bagi sebagian ada yang mengganggu. Ini terkait dengan ketetaan penerapan kaidah statistik dalam merancang survei:

  • Apakah penetapan jumlah sampel (2000-an?) sudah mempertimbangkan berbagai faktor termasuk antisipasi response rate, antisipasi besarnya variasi jawaban (CV) dan efisiensi relatif metodologi yang diambil (Deff.)? ]

[Yang terakhir ini berlaku jika bukan Rancangan Samepl Sedehana (SRS) digunakan sebagaimana dikalim CSIS. Jika SRS, apakah asumsi heterogenitas wilayah –dalam hal kecenderungan memilih– dipertimbangkan? Apakah efisiensi biaya diperhitungkan?]

  • Apakah sampel TPS sudah memenuhi jumlah minimal yang diperlukan untuk membuat suatu kesimpulan statistik? Pada level nasional? Atau “berani” estimasi provinsi?
  • Apakah prinsip acak digunakan dalam setiap tahapan pemilihan? [Jika tidak maka kesimpulan statitik tidak dapat ditarik.]
  • Apakah hasil Pemilu 2014 dimanfaatkan untuk membangun kerangka sampel?

Jika tertarik mengenai jawaban terhadap pertanyaan-pertanyaan ini silakan baca tulisan berikutnya. (Entah kapan sempatnya?)

Labour Underutilization: Concept and Measurement (3/3)

Section 3: Some Lessons from the 2012 Sakernas

As discussed above, the Sakernas (until 2015) is unable to provide data on “potential labour force” (PLF), the second component of the labour underutilized” (LU). The reason for this is that the questionnaire of the survey does not contain the question of “the availability of work”. However, part of PLF (using ICLS-19 standard) has been included already in the unemployment rate; namely, “discouraged job seeker” (DJS).

The estimated population of DJS, according to Sakernas 2012, is around 2.26 million. This is a big number as reflected in the DRS-unemployment ratio which is about 31:100. The table also shows some numbers that can be used to estimate population or ratios of some components of Working-age Population (WAP) as below:

  • Unemployment (U) = 7.2 million, if DJS is considered as part of U (as official figure); OR 5.0 million, if DJS if DJS is considered as part of “Outside LF)” (as suggested by ICLS-19);
  • Unemployment rate= 6.1% or 4.3%; depending on how to treat DJS;
  • Time-related Underemployment (TRU) = 11.5 million
  • Labour Underemployment (LU) >= 18.8 million, if LU>=U+TRU, and
  • LU rate >= 15.9%, if Under rate = (Under/Labour Force) *100.

[Beck to Section 1]

Labour Underutilization: Concept and Measurement (2/3)

Preliminary notes:

The concept of labour underutilization as discussed in the first section is the product of the resolution of  ICLS-19 hosted by ILO aimed mainly to be used as global guidelines in the area of labour statistics.  However, as a product of an ILO resolution, the concept is not binding for the participating countries of ILO. They might not be able to promptly follow the guidelines for practical reasons and hence need some time to apply in their actual survey. Part of the reasons for the participating countries are: (1) the need to “harmonize” the concept with actual situation of labour market they face, (2) the need to maintain “consistency” (as opposed to “validity”) of labour statistics between years to avoid confusion among data users, (3) the need test carefully the practicality of the concept in actual survey, and (4) the need to follow their own priorities in statistical activities. 

 

Section 2: Data Availability

At first glance, it appears to be that all the proposed components of “labour underutilization” as outlined in Section 1 are readily produced by a standard labour force survey. However, that is not fully the case, at least in the case of Indonesia. Here is a brief description on that issue.

Until 2015[1], the questionnaire of Sakernas, or Indonesia Labour Force Survey (ILFS) has no question on “the availability of work”. (What is available is a question on “the readiness to accept an offer for more job” that is intended to capture “time-related underemployment” as discussed in Section 1.)

In order to produce official statistics on unemployment, Sakernas defines unemployment put simply as:

(“Not in employment”) & ((“Seeking work”) OR (“Not seeking work due “Future start”” OR “Discouraged”)).

The above definition results in the figure of unemployment as mentioned in Section 1. The definition clearly shows that “availability for work” is ignored in defining “unemployment”.

The above definition “correctly” includes “future start” (not seeking because of having a job already) but “wrongly” includes “discouraged” (not seeking because of feeling there is no opportunity) in the unemployment. According to ICLS-19, “discourage” job seeker belongs to “outside labour fore” category, not “unemployment” (hence not in “labour force” category). In other word the official statistics of unemployment of Indonesia has in fact already included “discouraged” component of “outside labour force” (per ICLS-19 standard). As will be shown soon in Section 3, this component is relatively big, roughly 31% of the unemployment in 2012.

[1] Since 2016 BPS has initiated to improve the Sakernas questionnaire in order to address most of the issues raised by ICLS-19. Processes to refine the questionnaire toward this direction are still in place, until now.

[Proceed to Section 3: Sekernas’ Lessons]

 

Source: Google

 

Labour Underutilization: Concept and Measurement (1/3)

Section 1: Unemployment and Labour Underutilization

According to Sakernas 2018 or the 2018 Indonesia’s Labor Force Survey, the estimated total of the working age population (WAP) of Indonesia (2018 ILFS) is around 194.8 million. Out of the total, 131 million are classified as labor force (LF) and seven million are the unemployed. The unemployment rate is then about 5.3%.

While many might view the unemployment rate is comparatively low, it is basically sensible given these two facts:

    • Around two-thirds of Indonesia’s employment are engaging in the informal sector, and
    • There are no social security systems applied for unemployment in this country.

In addition, given the big population of Indonesia, even such a low unemployment rate equivalent with 1.2 total population of Singapore. For further discussion on this see THIS.

Perhaps only a few (if any) who disagree on the importance of the statistics of the unemployment rate as is a leading indicator for labour market. Likewise, perhaps only a few who disagree with the notion that the unemployment rate alone already reflects the situation of the labour market appropriately.

Many believe that changes in the unemployment rate is an insensitive indicator to track the real situation in the labor market. The economic crisis, for example, this indicator does not provide a clear signal to policymakers to anticipate. In the case of the 1997 Indonesian crisis, as another example, “a puzzle” was even found: during the Mid 1997 period (before the crisis) and the end of 1998 (when peak of the crisis ended): the number of employment increased by about 1.5% and the number of unemployment decreased by 12.3% [1].

The question would be then what other statistical measures– beside unemployment rate– that can be used to reflect and monitor the dynamics of the labour market in clearer, more realistic, and more sensitive way. The 19th International Conference of Labour Statistician in 2013 (ICLS-19) accentuates such an issue and promote pose the concept of “labour underutilization” (LU).

ICLS-19 (Par. 40) proposes this concept that includes these three elements; namely, unemployment, time-related underemployment (TRU),  and potential labour force (PLF). Here are the definitions of them.

    1. Unemployment = (not in employment) AND ((seeking work AND available for work));
    2. TRU = (in employment) & ((worked less than a normal working hour) & (seeking and available for more job)).
    3. PLF (Pars. 51-55):
      • (not in employment) & ((seek empolyment) & (were not :currently available”)); i.e., unavailable job seekers, OR
      • (not in employment) & ((not “seek employument”) & (“currently available”)); i,e., available potential jobseekers.

These measures are

the basis to produce headline indicators for labour market monitoring. For more comprehensive assessment they can be used with other indicators relating to the labour market, …. in particular skill-related inadequate employment and income-related inadequate employment.. ” (Par. 41)

It is worth noting that while the first component mentioned above belongs to labour force, the third belongs to “outside labour force” as generally understood. A reference for ICLS-19 can be accessed HERE.

Graph 1 provides a schematic presentation of the components of LU as just mentioned. The graph shows among others that unemployment is only a fraction of a much larger LU category.

Graph 1: Composition of working age population

[1] Puguh Irawan and Uzair Suhaimi (1998:11) in Crisis, Poverty, and Human Development in Indonesia, BPS-UNDP.

[Proceed to Section 2: Data Availability]

Profil Ketenagakerjaan Indonesia Berdasarkan Survei Terkini

 Sumber Gambar: Google

 

Tulisan ini mengkaji secara singkat profil ketenagakerjaan Indonesia berdasarkan hasil survei terakhir yaitu Survei Angkatan Kerja 2018 (Sakernas 2018). Bagi Indonesia survei ini merupakan sumber statistik resmi (official statistics) dalam bidang ketenagakerjaan. Fokus kajian adalah komposisi penduduk usia kerja (PUK) dan salah satu komponennya yang utama yaitu pengangguran. Untuk memperoleh gambaran mengenai perkembangan antar waktu, Sakernas tahun-tahun sebelumnya juga digunakan.

Penduduk Usia Kerja

Profil ketenagakerjaan Indonesia dapat digambarkan secara singkat sebagai “serba besar”. Sebagai ilustrasi, penduduk usia kerja (PUK) menurut Sakernas 2018 berjumlah sekitar 194,8 juta jiwa. Besarnya angka ini sebenarnya wajar karena dengan total penduduk sekitar 268 juta jiwa Indonesia menempati urutan keempat negara terbesar setelah China (1.39 milyar), India (1.36 juta), Amerika Serikat (327 juta). Besarnya angka PUK Indonesia itu kira-kira setara dengan tiga kali angka keseluruhan total penduduk lima negara jiran terdekat yaitu Timor Leste, Australia, Singapura, Malaysia, Brunei[1].

PUK Indonesia == tiga kali angka keseluruhan total penduduk Timor Leste, Australia, Singapura, Malaysia, dan  Brunei

PUK dapat dibagi habis ke dalam tiga komponen utamanya yaitu “bekerja” (B), “penganggur” (P) dan “bukan angkatan kerja” (BAK). Masing-masing komponen ini eksklusif dalam arti tidak saling beririsan sehingga PUK = B + P + BAK. Istilah Angkatan Kerja (AK) merujuk pada gabungan B dan P.

Dalam persamaan ini diberlakukan aturan prioritas: B terhadap komponen lainnya dan AK terhadap BAK. Dengan aturan ini ada kepastian mengategorikan status ketenagakerjaan setiap responden survei.

Berapa besar B dan P? Sakernas 2018 menujukan angka total masing-masing lumayan besar: yaitu 124 juta dan 7 juta. Dengan demikian AK berjumlah sekitar 131 juta. Dari angka-angka ini dapat dihitung dua indikator ketenagakerjaan yaitu “angka penganggur” (AP) dan “rasio tenaga kerja/penduduk” (RTP):

    • AP = (P/AK)*100 = (7/131)*100 = 5.3%
    • RTP = (B/PUK)*100 = (124 /194.8) *100= 64%.

Sebaran umur dua indikator ini dapat dilihat pada Tabel 1. Pada tabel ini angka penganggur dapat diperoleh dengan mengurangi angka 100 dengan angka-angka pada kolom “%Bekerja/AK”.

Penganggur

Seperti terlihat dalam Tabel 1, angka penganggur di Indonesia adalah 5.3%, suatu angka tergolong kecil. Yang perlu dicatat, angka mutlak dari angka persentase yang kecil masih jutaan, 7.0 juta jiwa. Angka ini setara dengan 1.2 total penduduk Singapura[2].

Total penganggur Indonesia== 1.2 total penduduk Singapura.

Relatif kecilnya angka penganggur itu “menyembunyikan” permasalahan yang lebih struktural: angka penganggur yang didominasi oleh penduduk usia muda dan kelompok terdidik.

Sumber: INI

Tingginya angka penganngur untuk kelompok usia muda dapat dicermati pada Tabel 1. Perkembangannya antar tahun dapat dilihat pada Gambar 1.

Sumber: INI

Catatan: 2011-2013 hasil backast menggunakan penimbang perbaikan berdasarkan angka proyeksi penduduk.

Tabel 2 menunjukan relatif tingginya angka penganggur bagi kelompok terdidik (tamatan SLTA+). Menurut tabel itu risiko penganggur 2.6 kali lebih tinggi bagi kelompok terdidik dibandingkan dengan kelompok tak-terdidik.

Risiko pengaggur bagi penduduk terdidik == 2.6 kali risiko bagi yang non-terdidik.

Tingginya angka prevalensi penganggur bagi kelompok terdidik tercermin pada Gambar 2. Pada tahun 2018 terlihat, misalnya, dari 100 orang penganggur, 66-67 di anataranya terdidik. Gambatr itu juga mencerminkan bahwa tinginya angka itu bukan hal baru dan kecenderungannya memburuk.

Sumber/Catatan: Sama dengan Gambar 1.

Sebagai catatan, semua istilah, aturan, dan rumus penghitungan yang dikemukakan di atas mengacu pada standar global dalam bidang ketenagakerjaan. Standar ini tercantum dalam resolusi International Conference Labour Statistician yang ke-13 (1982) atau ICLS-13. Belakangan disadari adanya sejumlah permasalahan konseptual pada reolusi ICLS-13 ini. Permasalahan ini dicoba diatasi melalui resolusi ICLS-19 (2013) [3].

BPS merespons aspirasi ICLS-19 ini sejak 2016 sekalipun  sejauh ini baru pada tahapan penyempurnaan kuesioner. Upaya ini perlu diapresiasi dan didukung oleh pemakai data Sakernas. Alasannya, Sakernas berbasis ICLS-19 dapat diharapkan menghasilkan sejumlah headline indicators yang lebih lengkap untuk memotret profil, lebih cermat dalam mengukur besaran, serta lebih peka dan realistis dalam memantau dinamika ketenagakerjaan di Indonesia dalam terang standar global.

Semoga!

[1] Angka penduduk diambil dari SINI.

[2]  Lihat catatan kaki-1.

[3] Rujukan mengenai ICLS-19 dapat diakses di SINI.