Pensiun merupakan keniscayaan yang dihadapi setiap Aparatur Sipil Negara (ASN), namun kesiapan menghadapinya jarang dinilai secara individual, khususnya di Provinsi Papua Barat dan Papua Barat Daya yang memiliki keterbatasan sebaran geografis dan akses layanan keuangan maupun pelatihan keterampilan. Penelitian ini mengusulkan kerangka machine learning yang memadukan klasifikasi prediktif dan klasterisasi untuk mendukung pembinaan pra-pensiun yang lebih tepat sasaran. Support Vector Machine (SVM) berkernel RBF diterapkan pada sepuluh fitur hasil seleksi Mutual Information dari data kuesioner 1.500 responden ASN yang mencakup dimensi finansial, kesehatan, dan psikologis, untuk mengklasifikasikan kesiapan pensiun ke dalam tiga kategori: Kurang Siap, Cukup Siap, dan Siap. Secara paralel, K-Means digunakan untuk mengelompokkan responden berdasarkan minat keterampilan pasca-pensiun. Model SVM mencapai akurasi 76,0% (F1-macro 0,763, AUC 0,912) tanpa indikasi overfitting, sementara K-Means menghasilkan lima klaster minat yang terpisah jelas (Silhouette 0,4825). Uji chi-square menunjukkan tidak terdapat hubungan signifikan antara klaster minat keterampilan dan kategori kesiapan (p = 0,9568), sehingga program penguatan kesiapan finansial-psikologis dan program pelatihan keterampilan perlu dijalankan secara terpisah dan paralel. Temuan ini memberikan dasar berbasis data bagi instansi di Papua Barat untuk merancang program pembinaan pra-pensiun yang tersegmentasi dan tepat sasaran.
Copyrights © 2026