PERAMALAN JUMLAH PENDUDUK DKI JAKARTA DENGAN METODE REGRESI LINEAR UNTUK MEMPERSIAPKAN INDONESIA EMAS 2045
DOI:
https://doi.org/10.31848/jkri.v3i2.4414Kata Kunci:
Peramalan, Regresi Linear, Indonesia Emas, Bonus DemografiAbstrak
Indonesia telah mengalami bonus demografi sejak tahun 2015.
Tanpa perencanaan yang matang, bonus demografi dapat berubah menjadi
beban demografi. Oleh karena itu penelitian ini bertujuan untuk menganalisis
dan memprediksi jumlah sumber daya manusia usia produktif (15-64 tahun)
dan sumber daya manusia non produktif (>65 tahun) untuk menyongsong misi
Indonesia emas 2045 menggunakan metode peramalan Regresi linear
berdasarkan data 8 tahun terakhir dari Badan Pusat Statistik DKI Jakarta.
Berdasarkan hasil prediksi Penduduk Usia Produktif di DKI Jakarta pada
Indonesia Emas 2045 diperkiraan mencapai 9.015.054 jiwa, dan usia non
produktif diperkirakan mencapai 3.056.602 jiwa. Berdasarkan hasil prediksi
tersebut didapatkan rasio ketergantungan sebanyak 33,91% yang menunjukan
bahwa nilai ketergantungan rendah sehingga pemerintah DKI Jakarta dapat
memaksimalkan bonus demografi. Maka dari itu diharapkan pemerintah dapat
menyediakan akses pembelajaran yang merata, fasilitas pembinaan berbagai
profesi ketenagakerjaan serta memperluas lapangan pekerjaan untuk
mencapai tujuan pembangunan berkelanjutan yang akan mendukung
suksesnya visi misi Indonesia Emas 2045 sehingga Indonesia dapat menjadi
negara maju.
Referensi
Ababil, O. J., Wibowo, S. A., & Zulfia Zahro’, H. (2022). Penerapan Metode Regresi Linier
Dalam Prediksi Penjualan Liquid Vape Di Toko Vapor Pandaan Berbasis Website.
JATI (Jurnal Mahasiswa Teknik Informatika), 6(1), 186–195.
https://doi.org/10.36040/jati.v6i1.4537
Ahmad Subagyo. (2008). Studi Kelayakan Teori Dan Aplikasi (Brand New). Jakarta: PT
Elex Media Komputindo
Badan Pusat Statistik. (2023). Bonus Demografi dan Visi Indonesia Emas 2045. Badan Pusat
Statistik, 1–12.
https://bigdata.bps.go.id/documents/datain/2023_01_2_Bonus_Demografi_dan_Vi
si_Indonesia Emas_2045.pdf
Harlan, J. (2018). Analisis Regresi Linear. In Journal of Chemical Information and
Modeling (Vol. 53, Issue 9).
Makridakis, & Wheelwright. (1983). Forecasting Methods and Applications 2nd Edition.
Maulana Ardiansyah, D.P. (2024). Aplikasi Forecasting : Memahami Konsep Leas Square
dan Parabolik Melelui Studi Kasus Praktis. Eureka Media Aksara.
Nurulita. (2012). Penerapan Metode Peramalan Arima (Autoregressive Integrated Moving
Average) Untuk Penentuan Tingkat Safety Stock Pada Industri Elektronik.
Rachman, R. (2018). Penerapann Metode Moving Average Dan Exponential Smoothing
Pada Peramalan Produksi Industri Garment. Jurnal Informatika, 5(2), 211–220.
https://doi.org/10.31311/ji.v5i2.3309
Ruspendi, Rusmalah, & Nurmutia, S. (2022). Teknik Peramalan. Lembaga Penerbit dan
Publikasi Universitas Pamulang (Issue 1).
Sya’adah, A., Salim Dahda, S., & Ismiyah, E. (2023). Perbandingan Keakuratan Peramalan
Produksi Obat Dengan Metode Winter Dan Metode Dekomposisi. Jurnal Rekayasa
Sistem Industri, 9(1), 15–20. https://doi.org/10.33884/jrsi.v9i1.8143
Yulitasari, A., 2011. Perbandingan metode pemulusan eksponensial ganda holt dengan
metode pemulusan eksponensial ganda brown. Universitas Negeri Semarang, 1–84.
Purba, A. A., Tampubolon, A. M., Lumban, R. Y., Siregar, I. A., & Hidayat, N. (2024).
Mengoptimalkan penduduk usia produktif sebagai aktor utama dalam pembangunan
nasional. 7, 460–466.
https://journal.unigha.ac.id/index.php/JSH%0AMENGOPTIMALKAN
Ghosh, A. (2019). Forecasting. Critical Terms in Futures Studies, 1999, 127–130.
