1. Dari statistik, jangan hanya melihat TPT
Tingkat Pengangguran Terbuka (TPT) memang indikator penting, tetapi belum cukup untuk menyimpulkan bahwa bonus demografi terancam.
Misalnya TPT turun, itu secara kuantitatif merupakan perkembangan positif. Tetapi pertanyaan statistik berikutnya adalah:
“Pengangguran turun karena benar-benar terserap ke pekerjaan produktif, atau karena masuk ke pekerjaan informal, setengah menganggur, atau pekerjaan dengan produktivitas rendah?”
Jadi analisis seharusnya bergerak dari:
Jumlah penganggur → kualitas pekerjaan → produktivitas → pendapatan → kesejahteraan.
Ini penting karena penurunan pengangguran tidak otomatis berarti kualitas pasar kerja membaik.
2. “Pengangguran terdidik” perlu didefinisikan secara hati-hati
Secara statistik, istilah pengangguran terdidik bukan sekadar semua penganggur yang pernah kuliah.
Perlu dilihat:
pendidikan tertinggi yang ditamatkan;
umur;
jenis kelamin;
wilayah;
pengalaman kerja;
status perkawinan;
bidang/program studi;
lama mencari pekerjaan;
pekerjaan yang diinginkan;
pengalaman pelatihan;
dan karakteristik pekerjaan yang tersedia.
Dengan demikian, kita bisa membedakan antara:
Ini dua persoalan kebijakan yang berbeda.
3. Persoalan yang lebih menarik justru mismatch
Menurut saya, ini adalah sudut pandang statistik paling kuat dari isu tersebut.
Bayangkan ada:
1 juta lulusan perguruan tinggi
tetapi pasar membutuhkan:
200 ribu tenaga IT,
150 ribu tenaga kesehatan,
100 ribu tenaga teknik,
50 ribu tenaga manufaktur,
sementara lulusan yang tersedia mempunyai struktur kompetensi yang berbeda.
Maka masalahnya bukan semata-mata “kurang lapangan kerja”, tetapi bisa menjadi:
ketidaksesuaian antara supply tenaga kerja dan demand tenaga kerja.
Literatur mengenai pengangguran terdidik di Indonesia juga menunjukkan pentingnya karakteristik usia muda, pengalaman kerja, dan karakteristik individu dalam menjelaskan pengangguran terdidik. (Jurnal Syntax Literate)
4. Bonus demografi jangan diukur hanya dari jumlah penduduk usia produktif
Ini menurut saya poin yang sangat penting.
Bonus demografi bukan sekadar:
Penduduk usia 15–64 tahun banyak.
Tetapi yang lebih penting:
Berapa banyak dari penduduk usia produktif tersebut yang benar-benar produktif secara ekonomi?
Secara statistik kita perlu menghubungkan beberapa indikator:
Struktur umur → TPAK → TPT → pekerja → jam kerja → produktivitas → pendapatan.
Kalau penduduk usia produktif meningkat tetapi:
TPT tinggi,
setengah pengangguran tinggi,
pekerja informal dominan,
produktivitas rendah,
upah rendah,
maka potensi bonus demografi belum tentu berubah menjadi bonus ekonomi.
Literatur tentang bonus demografi juga menekankan bahwa dominasi usia produktif baru menjadi keuntungan apabila kualitas SDM dan penyerapan tenaga kerja mendukung. (ejournal.cahayailmubangsa.institute)
5. Ada satu indikator yang menurut saya sangat menarik: NEET
Untuk melihat ancaman bonus demografi, saya justru akan menambahkan NEET (Not in Employment, Education, or Training).
Ini kelompok usia muda yang:
tidak bekerja + tidak sekolah + tidak mengikuti pelatihan.
Karena seseorang bisa saja:
tidak menganggur menurut ukuran tertentu,
tetapi juga tidak sedang meningkatkan kapasitasnya.
NEET dapat menjadi early warning indicator bagi hilangnya potensi tenaga kerja muda.
Jadi analisis bonus demografi sebaiknya tidak berhenti pada:
TPT pemuda
tetapi juga:
TPT pemuda + NEET + kualitas pekerjaan pemuda.
6. Statistik juga harus melihat “underemployment”
Ini sering luput dari pemberitaan.
Misalnya seseorang bekerja hanya beberapa jam dalam seminggu atau bekerja pada pekerjaan yang jauh di bawah kapasitasnya.
Secara statistik:
dia bukan penganggur.
Tetapi secara ekonomi, potensinya belum optimal.
Karena itu, kalau kita hanya menggunakan TPT, kita bisa mendapatkan gambaran yang terlalu optimistis.
Analisis yang lebih lengkap:
Pengangguran + setengah pengangguran + pekerja informal + pekerja dengan produktivitas rendah.
7. Jangan menyamakan pendidikan tinggi dengan kompetensi tinggi
Ini juga menjadi pertanyaan statistik yang menarik.
Ijazah ≠ kompetensi.
Dua orang sama-sama lulusan S1 bisa memiliki:
kemampuan digital berbeda,
pengalaman kerja berbeda,
kemampuan bahasa berbeda,
kemampuan komunikasi berbeda,
keterampilan teknis berbeda,
dan produktivitas berbeda.
Artinya, statistik ketenagakerjaan ke depan perlu semakin mampu menghubungkan:
pendidikan → kompetensi → pekerjaan → produktivitas → penghasilan.
Bukan hanya:
pendidikan → pekerjaan/tidak bekerja.
8. Kalau saya melihat berita tersebut sebagai orang statistik, pertanyaan yang akan saya ajukan adalah:
Pertanyaan 1
Apakah pengangguran terdidik memang meningkat, atau proporsinya meningkat karena semakin banyak penduduk yang mengenyam pendidikan tinggi?
Ini penting karena denominator berubah.
Kalau jumlah lulusan perguruan tinggi meningkat sangat cepat, jumlah penganggur terdidik bisa meningkat secara absolut tetapi tingkat penganggurannya belum tentu meningkat.
Pertanyaan 2
Dari penganggur terdidik tersebut, berapa yang merupakan first job seeker?
Kalau sebagian besar adalah lulusan baru, kebijakannya berbeda dengan penganggur yang sudah memiliki pengalaman kerja tetapi terkena PHK.
Pertanyaan 3
Berapa lama mereka menganggur?
Kita perlu melihat duration of unemployment.
Pengangguran 1–3 bulan tentu berbeda dengan pengangguran lebih dari satu tahun.
Pertanyaan 4
Setelah mendapatkan pekerjaan, apakah pekerjaan tersebut sesuai dengan pendidikannya?
Ini masuk ke isu job mismatch.
Pertanyaan 5
Apakah mereka mendapatkan pekerjaan formal atau informal?
Karena “bekerja” bukan berarti otomatis “pekerjaan berkualitas.”
9. Dari perspektif BPS, saya akan membuat “dashboard bonus demografi”
Kalau isu ini ingin dibawa menjadi bahan analisis statistik yang kuat, saya akan membangun dashboard dengan 5 lapisan:
| Dimensi | Indikator |
|---|---|
| Demografi | Proporsi usia produktif, dependency ratio |
| Partisipasi | TPAK |
| Pengangguran | TPT, TPT pemuda |
| Kualitas pekerjaan | Formal/informal, setengah pengangguran, jam kerja |
| Kualitas SDM | Pendidikan, pelatihan, NEET, mismatch |
Kemudian ditambahkan:
Produktivitas tenaga kerja + upah/pendapatan + disparitas wilayah.
Dengan begitu kita tidak terjebak pada satu angka TPT.
10. Ada perspektif yang lebih tajam lagi
Menurut saya, judul “Pengangguran Terdidik dan Ancaman Bonus Demografi” bisa kita geser menjadi pertanyaan statistik:
“Apakah Indonesia benar-benar mengalami bonus demografi, atau baru mengalami bonus struktur umur?”
Karena keduanya berbeda.
Di sinilah statistik menjadi sangat penting.
Kita harus mengukur konversi penduduk menjadi produktivitas.
11. Dan menurut saya, pesan paling kuatnya adalah ini
Jangan hanya bertanya: “Berapa banyak pengangguran?”
Tetapi:
“Berapa besar potensi produktif penduduk usia kerja yang belum berhasil dikonversi menjadi aktivitas ekonomi yang produktif?”
Ini mengubah cara kita membaca masalah.
Karena bisa saja:
TPT turun → terlihat bagus
tetapi:
produktivitas stagnan → masalah belum selesai.
Atau:
pengangguran terdidik naik → terlihat buruk
tetapi ternyata:
jumlah penduduk berpendidikan tinggi meningkat jauh lebih cepat → belum tentu terjadi deteriorasi pasar kerja.
Inilah pentingnya statistik tidak hanya membaca angka, tetapi membaca hubungan antarangka.
Kalau dibawa ke konteks BPS
Saya kira ini bisa menjadi bahan yang sangat menarik untuk policy brief/paparan pimpinan BPS, dengan kerangka:
“Dari Bonus Demografi ke Bonus Produktivitas: Apakah Tenaga Kerja Indonesia Sudah Terserap Secara Optimal?”
Isinya dapat dibangun dari TPT, TPAK, pekerja formal-informal, setengah pengangguran, NEET, pendidikan, mismatch, upah, produktivitas, gender, generasi muda, dan disparitas antarwilayah.
Dengan pendekatan itu, berita tentang pengangguran terdidik tidak hanya dibantah atau dibenarkan berdasarkan satu angka, tetapi dibedah secara statistik untuk melihat apakah Indonesia benar-benar sedang gagal memanfaatkan bonus demografi atau justru sedang mengalami proses transformasi pasar kerja.
https://www.kompas.id/artikel/pengangguran-terdidik-dan-ancaman-bonus-demografi?utm_source=link&utm_medium=shared&utm_campaign=tpd_-_android_traffic&fbclid=IwY2xjawTqYcdwZG9mBWV4dG4DYWVtAjEwAGJyaWQRMVh1Z01QNlhCbVhYaEl6bnVzcnRjBmFwcF9pZBAyMjIwMzkxNzg4MjAwODkyAAEeCtrzu2wPbMYP0UKfuf-BV-4G9812K1yXJCQSa8Uy6xMSPFVmwNqfwYs6OE4_aem_OBomzot878qpxxAGI1Ztgg