Pekerjaan Gig Digital di AfrikaCEFR A2
19 Mar 2026
Diadaptasi dari Adesewa Olofinko, Global Voices • CC BY 3.0
Foto oleh Desola Lanre-Ologun, Unsplash
Pekerjaan gig digital di Afrika tumbuh sejak sekitar 2015 dan meningkat lagi setelah 2020. Kota-kota seperti Lagos, Accra, dan Nairobi menjadi pusat untuk pengantaran, mengemudi, dan pekerjaan digital tanpa batas negara.
Sekarang lebih dari 21 juta orang Afrika memperoleh penghasilan lewat gig, baik paruh waktu maupun penuh. Banyak pekerja menggunakan ponsel pintar, laptop, dan platform online untuk menemukan klien di luar negeri, lalu menyesuaikan jam kerja agar cocok dengan zona waktu klien.
Namun biaya platform dan pengeluaran seperti bahan bakar dan perawatan tetap jadi tantangan, meski pekerjaan gig memberi fleksibilitas terutama bagi perempuan.
Kata-kata sulit
- gig — Pekerjaan singkat atau lepas lewat platform daring
- pengantaran — Kegiatan mengirim barang ke alamat orang lain
- platform — Situs atau aplikasi tempat bertemu pekerja dan klienplatform online
- paruh waktu — Bekerja beberapa jam, tidak penuh waktu
- menyesuaikan — Mengubah sesuatu agar cocok dengan kondisi lain
- pengeluaran — Uang yang dipakai untuk kebutuhan atau biaya
- fleksibilitas — Kemampuan atur waktu kerja sendiri dengan mudah
Tips: arahkan kursor, fokus, atau ketuk kata yang disorot di dalam teks untuk melihat definisi singkat sambil membaca atau mendengarkan.
Pertanyaan diskusi
- Apakah kamu pernah bekerja paruh waktu atau lepas? Ceritakan singkat.
- Menurutmu, bagaimana platform daring bisa membantu pekerja gig?
- Mengapa pekerjaan gig memberi fleksibilitas terutama bagi perempuan?
Artikel terkait
Farzana Sithi dan Perjuangan Perempuan setelah Juli–Agustus 2024
Farzana Sithi, aktivis dari Jessore, menjadi suara terkenal untuk hak perempuan setelah pemberontakan Juli–Agustus 2024. Ia melaporkan kekerasan, pelecehan daring, dan kegagalan pemerintah dalam menangani korban dan kuota perempuan.
Model Bahasa Mengubah Penilaian Berdasarkan Identitas Pengarang
Peneliti University of Zurich menemukan bahwa large language models mengubah penilaian teks ketika diberi tahu siapa pengarangnya. Tanpa sumber, model sering sepakat, tetapi menyebut pengarang memicu bias, termasuk bias anti-Cina.