MITIGASI PENGANGGURAN FRIKSIONAL MELALUI SKEMA PENCOCOKAN KERJA BERBASIS KECERDASAN BUATAN: PELUANG, RISIKO BIAS ALGORITMIK, DAN BATAS KEWENANGAN DINAS TENAGA KERJA

MITIGASI PENGANGGURAN FRIKSIONAL MELALUI SKEMA PENCOCOKAN KERJA BERBASIS KECERDASAN BUATAN: PELUANG, RISIKO BIAS ALGORITMIK, DAN BATAS KEWENANGAN DINAS TENAGA KERJA

ABSTRAK

Pengangguran friksional yang berkepanjangan sering disebabkan oleh lemahnya mekanisme pencocokan antara profil pencari kerja dengan kualifikasi yang dibutuhkan pemberi kerja. Kemajuan kecerdasan buatan membuka peluang bagi layanan penempatan tenaga kerja publik untuk melakukan pencocokan secara otomatis dan berskala besar. Namun, penerapan teknologi ini pada layanan publik menimbulkan persoalan baru berupa risiko bias algoritmik, keterbatasan akuntabilitas, dan potensi pelanggaran perlindungan data pribadi. Penelitian ini bertujuan menganalisis peluang penerapan skema pencocokan kerja berbasis kecerdasan buatan pada bursa kerja daerah, mengidentifikasi risiko yang menyertainya, serta merumuskan batas kewenangan yang perlu dijaga oleh Dinas Tenaga Kerja, Transmigrasi dan Energi Sumber Daya Mineral. Penelitian menggunakan pendekatan kualitatif dengan desain eksploratif, memadukan wawancara mendalam terhadap aparatur, pencari kerja, dan pengelola platform, dengan telaah literatur sistematis terhadap praktik layanan ketenagakerjaan publik berbasis algoritma di berbagai negara. Hasil penelitian menunjukkan bahwa manfaat terbesar kecerdasan buatan bukan pada pengambilan keputusan penempatan, melainkan pada pekerjaan pendukung seperti penstandaran jabatan, pembersihan data, dan penyusunan rekomendasi pelatihan. Risiko terbesar muncul ketika algoritma dilatih dengan data historis penempatan yang telah mengandung bias gender dan bias usia, sehingga sistem mereproduksi ketimpangan yang seharusnya dikoreksi. Penelitian merekomendasikan penerapan prinsip manusia dalam lingkar pengambilan keputusan, audit algoritma secara berkala, transparansi kriteria pencocokan, serta pembatasan tegas agar keputusan yang berdampak hukum tetap berada di tangan pejabat.

Kata kunci: pencocokan kerja, kecerdasan buatan, bias algoritmik, pengangguran friksional, akuntabilitas publik

ABSTRACT

Prolonged frictional unemployment often stems from weak matching mechanisms between jobseeker profiles and employer requirements. Advances in artificial intelligence offer public employment services the opportunity to perform automated large-scale matching. However, applying such technology to public services raises concerns over algorithmic bias, limited accountability, and personal data protection. This study analyses opportunities for AI-based job matching in regional employment exchanges, identifies attendant risks, and formulates the authority boundaries that the Regional Office of Manpower, Transmigration and Mineral Energy Resources must maintain. A qualitative exploratory design combines in-depth interviews with officials, jobseekers and platform managers with a systematic review of algorithm-based public employment practices across countries. Findings show the greatest benefit lies not in placement decision-making but in supporting tasks such as occupational standardisation, data cleaning, and training recommendations. The greatest risk arises when algorithms are trained on historical placement data already containing gender and age bias, reproducing inequalities that should be corrected. The study recommends human-in-the-loop principles, periodic algorithmic audits, transparency of matching criteria, and strict limits keeping legally consequential decisions with officials.

Keywords: job matching, artificial intelligence, algorithmic bias, frictional unemployment, public accountability

PENDAHULUAN

Data ketenagakerjaan di banyak daerah menunjukkan situasi yang tampak paradoks. Pada satu sisi terdapat jumlah pencari kerja terdaftar yang besar, sementara pada sisi lain sejumlah perusahaan mengeluhkan sulitnya memperoleh tenaga kerja dengan kualifikasi tertentu. Keadaan ini mengindikasikan bahwa persoalan tidak selalu terletak pada kekurangan lowongan atau kelebihan tenaga kerja, melainkan pada kegagalan proses pencocokan. Dalam literatur ekonomi ketenagakerjaan, kondisi ini dikategorikan sebagai pengangguran friksional yang timbul karena informasi tidak sempurna dan biaya pencarian yang tinggi.

Layanan penempatan tenaga kerja yang diselenggarakan pemerintah daerah secara tradisional mengandalkan pengantar kerja untuk melakukan pencocokan secara manual. Metode ini memiliki keunggulan berupa penilaian kontekstual yang mempertimbangkan karakter, kesiapan psikologis, dan kondisi sosial pencari kerja. Kelemahannya terletak pada keterbatasan skala. Seorang pengantar kerja yang harus melayani ribuan pencari kerja tidak mungkin melakukan pencocokan mendalam untuk setiap individu, sehingga proses cenderung disederhanakan menjadi pencocokan berdasarkan pendidikan terakhir.

Perkembangan kecerdasan buatan, khususnya teknik pemrosesan bahasa alami dan sistem rekomendasi, menawarkan kemungkinan baru. Sistem dapat membaca uraian pekerjaan dan riwayat hidup dalam bentuk teks bebas, mengekstraksi keterampilan yang tersirat, dan menghitung tingkat kesesuaian antara pencari kerja dengan lowongan. Beberapa negara telah menerapkan pendekatan semacam ini pada layanan ketenagakerjaan publik dan melaporkan peningkatan efisiensi. Ketertarikan pemerintah daerah di Indonesia terhadap teknologi ini pun meningkat, terlihat dari munculnya wacana pengembangan bursa kerja cerdas dalam berbagai dokumen inovasi daerah.

Meskipun demikian, penerapan kecerdasan buatan pada layanan publik ketenagakerjaan tidak dapat disamakan dengan penerapannya pada platform komersial. Layanan publik terikat pada prinsip kesetaraan, nondiskriminasi, dan akuntabilitas. Ketika sebuah algoritma menentukan siapa yang direkomendasikan pada suatu lowongan, keputusan tersebut memiliki konsekuensi distributif. Apabila algoritma dilatih menggunakan data penempatan masa lalu yang telah mengandung pola diskriminatif, misalnya kecenderungan menempatkan perempuan pada jabatan administratif atau menyingkirkan pelamar berusia lanjut, maka sistem akan mempelajari dan mengulangi pola tersebut dengan efisiensi yang lebih tinggi.

Persoalan berikutnya adalah akuntabilitas. Dalam administrasi publik, setiap keputusan harus dapat dijelaskan alasannya kepada warga. Sebagian model kecerdasan buatan bekerja dengan cara yang sulit ditelusuri, sehingga pejabat kesulitan menjelaskan mengapa seorang pencari kerja tidak direkomendasikan. Ketidakmampuan menjelaskan ini berpotensi menimbulkan sengketa dan menggerus kepercayaan publik. Selain itu, pemrosesan data pribadi pencari kerja menuntut kepatuhan terhadap ketentuan perlindungan data pribadi yang kini memiliki dasar hukum yang lebih tegas.

Berdasarkan uraian tersebut, penelitian ini dirumuskan untuk menjawab tiga pertanyaan. Pertama, pada fungsi apa saja kecerdasan buatan dapat memberikan manfaat nyata bagi layanan penempatan tenaga kerja daerah. Kedua, risiko apa yang muncul dan bagaimana mekanismenya. Ketiga, batas kewenangan seperti apa yang perlu ditetapkan agar penggunaan teknologi tetap sejalan dengan prinsip pelayanan publik.

TINJAUAN PUSTAKA

Teori Pencarian dan Pencocokan Kerja

Teori pencarian dan pencocokan menjelaskan bahwa pertemuan antara pencari kerja dan lowongan merupakan proses yang memakan waktu dan biaya. Fungsi pencocokan menggambarkan hubungan antara jumlah pencari kerja, jumlah lowongan, dan jumlah penempatan yang terjadi. Efisiensi pencocokan dapat ditingkatkan dengan memperbaiki kualitas informasi. Dari perspektif ini, intervensi teknologi dibenarkan sepanjang benar-benar menurunkan biaya pencarian dan bukan sekadar memindahkan proses manual ke layar.

Kecerdasan Buatan dalam Layanan Publik

Literatur mengenai kecerdasan buatan di sektor publik membedakan tiga tingkat penggunaan. Tingkat pertama adalah otomatisasi tugas administratif yang berulang dan berisiko rendah. Tingkat kedua adalah dukungan pengambilan keputusan, ketika sistem memberikan rekomendasi yang tetap diputuskan manusia. Tingkat ketiga adalah pengambilan keputusan otomatis tanpa campur tangan manusia. Semakin tinggi tingkatnya, semakin besar tuntutan akuntabilitas dan semakin ketat pengendalian yang diperlukan.

Bias Algoritmik dan Keadilan

Bias algoritmik dapat bersumber dari data pelatihan yang tidak representatif, dari pemilihan variabel yang berkorelasi dengan atribut yang dilindungi, serta dari umpan balik sistem yang memperkuat pola awal. Pada layanan ketenagakerjaan, variabel seperti alamat tempat tinggal, jenis sekolah, atau riwayat pekerjaan sebelumnya dapat menjadi proksi bagi status sosial ekonomi dan menghasilkan diskriminasi tidak langsung. Karena itu, penilaian keadilan tidak cukup dilakukan dengan menghapus variabel identitas, melainkan memerlukan pengujian dampak terhadap kelompok.

METODOLOGI PENELITIAN

Penelitian ini menggunakan pendekatan kualitatif dengan desain eksploratif. Desain eksploratif dipilih karena penerapan kecerdasan buatan pada layanan ketenagakerjaan daerah masih berada pada tahap awal, sehingga penelitian bertujuan memetakan kemungkinan, risiko, dan batasan, bukan menguji efektivitas sistem yang telah berjalan penuh.

Sumber data terdiri atas data primer dan data sekunder. Data primer diperoleh melalui wawancara mendalam terhadap kepala bidang penempatan tenaga kerja, pengantar kerja, pengelola sistem informasi dinas, pengembang platform yang pernah bekerja sama dengan pemerintah daerah, serta pencari kerja yang pernah menggunakan layanan bursa kerja daring. Data sekunder diperoleh melalui telaah literatur sistematis terhadap artikel ilmiah, laporan organisasi internasional, dan dokumen kebijakan mengenai penggunaan algoritma pada layanan ketenagakerjaan publik.

Telaah literatur dilakukan dengan menetapkan kriteria inklusi berupa publikasi dalam rentang sepuluh tahun terakhir, membahas layanan ketenagakerjaan publik, dan memuat pembahasan mengenai mekanisme pencocokan atau dampaknya terhadap keadilan. Kriteria eksklusi meliputi publikasi yang hanya membahas rekrutmen di sektor swasta tanpa dimensi kebijakan publik. Artikel yang memenuhi kriteria kemudian dianalisis secara tematik untuk mengidentifikasi pola manfaat dan risiko yang berulang.

Analisis data dilakukan melalui analisis tematik dengan tahapan pengenalan data, penyusunan kode awal, pencarian tema, peninjauan tema, penamaan tema, dan penulisan laporan. Hasil analisis tematik dari literatur kemudian dikonfrontasikan dengan temuan wawancara untuk menilai relevansinya dengan konteks kelembagaan daerah. Untuk merumuskan batas kewenangan, peneliti menggunakan kerangka tiga tingkat penggunaan kecerdasan buatan di sektor publik sebagai alat klasifikasi.

Keabsahan data dijaga melalui triangulasi sumber, pengecekan anggota terhadap informan kunci, serta penyediaan jejak audit berupa catatan lapangan dan dokumentasi proses pengodean. Penelitian ini memperhatikan etika penelitian dengan menjaga kerahasiaan identitas informan dan tidak mengakses data pribadi pencari kerja secara langsung.

HASIL DAN PEMBAHASAN

Fungsi yang Paling Layak Diotomatisasi

Temuan penelitian menunjukkan bahwa manfaat paling nyata dari kecerdasan buatan bagi layanan ketenagakerjaan daerah justru berada pada pekerjaan pendukung yang selama ini menyita waktu aparatur, bukan pada pengambilan keputusan penempatan. Tiga fungsi menonjol dalam temuan ini. Pertama, penstandaran nama jabatan. Perusahaan menuliskan nama jabatan dengan beragam istilah untuk pekerjaan yang secara substantif sama, sehingga data lowongan sulit diagregasi. Sistem yang mampu memetakan variasi penulisan ke dalam klasifikasi jabatan baku dapat meningkatkan mutu statistik ketenagakerjaan daerah secara signifikan.

Kedua, pembersihan dan pelengkapan data. Banyak isian riwayat hidup pencari kerja tidak lengkap atau tidak konsisten. Sistem dapat mendeteksi anomali, mengingatkan pengguna untuk melengkapi isian, serta mengekstraksi keterampilan dari uraian pengalaman kerja yang ditulis dalam kalimat bebas. Ketiga, penyusunan rekomendasi pelatihan. Dengan membandingkan keterampilan yang dimiliki pencari kerja terhadap keterampilan yang paling sering diminta pasar, sistem dapat menyarankan pelatihan yang relevan. Fungsi ini bersifat memberdayakan karena tidak menutup peluang, melainkan menambah informasi bagi pencari kerja.

Ketiga fungsi tersebut memiliki kesamaan, yaitu berisiko rendah karena tidak menghasilkan keputusan yang menutup akses seseorang terhadap pekerjaan. Kesalahan pada fungsi ini dapat dikoreksi tanpa menimbulkan kerugian hukum. Temuan ini menunjukkan bahwa strategi adopsi teknologi yang paling bijaksana adalah memulai dari lapisan pendukung, bukan dari lapisan keputusan.

Mekanisme Munculnya Bias

Penelitian mengidentifikasi tiga jalur munculnya bias dalam skema pencocokan otomatis. Jalur pertama adalah bias data historis. Apabila sistem dilatih menggunakan catatan penempatan masa lalu, sistem akan mempelajari pola siapa yang dahulu diterima pada jabatan tertentu. Jika pola tersebut mengandung kecenderungan diskriminatif, sistem akan menyimpulkan bahwa pola itu merupakan penanda kesesuaian.

Jalur kedua adalah bias variabel proksi. Penghapusan variabel jenis kelamin dan usia tidak menghilangkan diskriminasi apabila sistem masih menggunakan variabel yang berkorelasi kuat dengan atribut tersebut, misalnya tahun kelulusan yang praktis mengungkapkan usia, atau riwayat cuti panjang yang sering berkaitan dengan cuti melahirkan. Jalur ketiga adalah bias umpan balik. Ketika sistem merekomendasikan kandidat tertentu dan perusahaan menerimanya, data penerimaan tersebut kembali menjadi bahan pelatihan yang memperkuat kecenderungan awal. Lingkaran ini membuat ketimpangan semakin dalam seiring waktu.

Implikasi dari temuan ini adalah bahwa pengujian keadilan tidak dapat dilakukan sekali pada saat pengadaan. Audit perlu dilakukan secara berkala dengan memeriksa distribusi rekomendasi menurut kelompok jenis kelamin, kelompok usia, dan wilayah asal, kemudian membandingkannya dengan komposisi pencari kerja terdaftar. Selisih yang signifikan menjadi sinyal awal adanya bias yang perlu ditelusuri.

Akuntabilitas dan Batas Kewenangan

Wawancara dengan aparatur mengungkap kekhawatiran yang konsisten mengenai pertanggungjawaban. Pejabat menyadari bahwa mereka tetap menjadi pihak yang dimintai penjelasan ketika terjadi keberatan dari pencari kerja, terlepas dari apakah keputusan dihasilkan oleh sistem atau manusia. Kekhawatiran ini beralasan secara hukum, karena tanggung jawab administrasi melekat pada jabatan, bukan pada perangkat lunak.

Berdasarkan pertimbangan tersebut, penelitian merumuskan batas kewenangan dalam tiga lapis. Lapis pertama, keputusan yang menimbulkan akibat hukum, seperti penerbitan rekomendasi resmi, penetapan peserta pelatihan bersubsidi, atau penentuan prioritas penempatan, harus tetap diputuskan oleh pejabat berwenang. Lapis kedua, sistem hanya boleh berfungsi menyusun daftar kandidat yang relevan tanpa memberi peringkat tunggal yang bersifat menutup, sehingga pengantar kerja tetap memiliki ruang penilaian. Lapis ketiga, kriteria pencocokan harus dapat dijelaskan kepada pengguna dalam bahasa sederhana dan tersedia mekanisme keberatan bagi pencari kerja yang merasa dirugikan.

Perlindungan Data Pribadi

Pemrosesan data pribadi pencari kerja menuntut dasar pemrosesan yang jelas, pembatasan tujuan, dan minimalisasi data. Temuan penelitian menunjukkan bahwa formulir pendaftaran pencari kerja sering meminta informasi yang tidak diperlukan untuk pencocokan, misalnya status perkawinan dan jumlah tanggungan. Informasi semacam ini tidak hanya berlebihan, tetapi juga meningkatkan risiko diskriminasi apabila dimasukkan ke dalam model. Karena itu, penyederhanaan formulir merupakan langkah perlindungan sekaligus langkah peningkatan mutu model.

Sintesis

Secara keseluruhan, penelitian ini menyimpulkan bahwa pertanyaan yang tepat bukan apakah kecerdasan buatan sebaiknya digunakan, melainkan pada fungsi apa dan dengan pengamanan apa. Penerapan yang dimulai dari fungsi pendukung berisiko rendah memberi kesempatan bagi organisasi membangun kapasitas, memperbaiki mutu data, dan menyusun tata kelola sebelum memasuki wilayah keputusan yang sensitif. Pendekatan bertahap semacam ini lebih realistis dibandingkan ambisi membangun sistem pencocokan otomatis penuh yang belum didukung kesiapan data maupun kelembagaan.

PENUTUP

Kesimpulan

Pertama, manfaat paling layak dan berisiko rendah dari penerapan kecerdasan buatan pada layanan ketenagakerjaan daerah terletak pada fungsi pendukung, yaitu penstandaran nama jabatan, pembersihan dan pelengkapan data, serta penyusunan rekomendasi pelatihan.

Kedua, risiko bias muncul melalui tiga jalur, yaitu bias data historis, bias variabel proksi, dan bias umpan balik, yang secara bersama-sama berpotensi mereproduksi ketimpangan gender, usia, dan wilayah asal dengan skala yang lebih besar dibandingkan proses manual.

Ketiga, batas kewenangan perlu ditetapkan dalam tiga lapis, yaitu keputusan berakibat hukum tetap berada pada pejabat, sistem hanya menyusun daftar kandidat tanpa peringkat yang menutup, dan kriteria pencocokan wajib dapat dijelaskan disertai mekanisme keberatan.

Keempat, pengumpulan data pribadi yang berlebihan pada formulir pendaftaran meningkatkan risiko diskriminasi sekaligus menurunkan mutu model, sehingga penyederhanaan formulir merupakan langkah yang menguntungkan dari dua sisi.

Saran

Pertama, dinas disarankan menerapkan pendekatan bertahap dengan memulai otomatisasi pada fungsi pendukung sebelum mempertimbangkan fungsi pencocokan tingkat lanjut.

Kedua, perlu disusun pedoman internal penggunaan kecerdasan buatan yang memuat prinsip manusia dalam lingkar pengambilan keputusan, kewajiban penjelasan, dan larangan penggunaan variabel sensitif beserta proksinya.

Ketiga, audit algoritma perlu dilakukan secara berkala dengan memeriksa distribusi rekomendasi menurut kelompok dan mempublikasikan ringkasan hasilnya sebagai bentuk akuntabilitas.

Keempat, formulir pendaftaran pencari kerja perlu ditinjau ulang agar hanya memuat data yang benar-benar relevan dengan pencocokan.

Kelima, kapasitas aparatur perlu ditingkatkan tidak hanya pada aspek teknis, tetapi juga pada pemahaman etika data dan perlindungan data pribadi.

Keenam, penelitian lanjutan disarankan melakukan uji coba terkendali untuk mengukur dampak sistem rekomendasi terhadap durasi pencarian kerja dan distribusi penempatan antarkelompok.