ANALISIS PREDIKTIF TINGKAT URGENSI RESKILLING TENAGA KERJA AKIBAT DISRUPSI ARTIFICIAL INTELLIGENCE MENGGUNAKAN ALGORITMA REGRESI

Abstract

Disrupsi kecerdasan buatan (AI) yang eksponensial telah menciptakan celah kompetensi yang lebar, mendesak tenaga kerja global untuk segera beradaptasi melalui reskilling. Namun, permasalahan krusial muncul karena instrumen evaluasi kebijakan saat ini masih didominasi oleh pendekatan kualitatif yang gagal mengkuantifikasi ancaman kerugian finansial secara objektif. Lebih jauh, pemodelan mesin pada data ketenagakerjaan kerap kali menghasilkan prediksi yang semu akibat bias kebocoran target (target leakage). Untuk merespons permasalahan tersebut, penelitian ini bertujuan mengembangkan model analitik prediktif berbasis algoritma XGBoost Regressor guna merumuskan metrik kuantitatif Tingkat Urgensi Reskilling yang terstandarisasi dan bebas bias. Secara garis besar, metode penelitian bersandar pada pelatihan model regresi terhadap 150.000 data sekunder berskala global, yang dikombinasikan dengan teknik eliminasi prediktor deterministik dan penyesuaian fungsi matematis untuk menangani ketidakmerataan distribusi data. Hasil eksperimen menunjukkan model mencapai performa yang sangat presisi dengan Mean Absolute Error (MAE) 2,9157% dan R-Squared 0,5822. Analisis fitur membuktikan bahwa durasi pelatihan AI adalah determinan mutlak produktivitas. Simulasi memproyeksikan penundaan pencapaian ambang batas optimal pelatihan akan memicu efek kerugian majemuk hingga $76,1 juta dalam lima tahun, menjadikan pemodelan ini instrumen pengambilan keputusan yang vital