Klasifikasi Status Neet Pada Generasi Z menggunakan Metode XGBOST dan Lightgbm di Pulau Jawa Tahun 2023

Abstract

Penelitian ini membahas tentang status NEET (Not in Employment, Education, or Training) di kalangan pemuda Pulau Jawa menggunakan pendekatan machine learning. Meskipun Pulau Jawa merupakan pusat ekonomi dan infrastruktur Indonesia, terdapat ketimpangan signifikan dalam angka NEET antar provinsi, dengan Jawa Barat dan Banten memiliki angka di atas rata-rata nasional, sementara DIY dan DKI Jakarta mencatatkan angka terendah. Ketimpangan ini mencerminkan akses tidak merata terhadap pendidikan dan lapangan kerja, yang menghambat pencapaian ke-SDG's 8.Dengan menerapkan metode XGBoost dan LightGBM, penelitian berhasil membangun model klasifikasi dengan performa sangat baik. XGBoost dengan resampling SMOTENN dan parameter tuning menunjukkan keunggulan dengan akurasi validasi 98,69%, training loss 0,0320, validation loss 0,0491, dan ROC-AUC 0,9978. Performa ini lebih unggul dibandingkan LightGBM dan menunjukkan peningkatan signifikan dari base model yang hanya mencapai akurasi sekitar 80%. Didapatkan pula faktor-faktor utama yang mempengaruhi status NEET meliputi usia (terutama pada masa transisi), status perkawinan, tingkat pendidikan, pengalaman kerja, jumlah anggota rumah tangga, jenis kelamin, status disabilitas, dan pengalaman pelatihan. Sementara itu, pengalaman pelatihan dan domisili di perkotaan dapat mengurangi risiko menjadi NEET karena meningkatkan keterampilan dan kemudahan akses terhadap pendidikan dan pekerjaan.Hasil prediksi model pada sampel individu menunjukkan tingkat kepercayaan yang tinggi dengan nilai probabilitas yang jelas (mendekati 1 untuk prediksi NEET dan mendekati 0 untuk prediksi non-NEET), mengindikasikan kemampuan model yang baik dalam membedakan kedua kategori.