Komparasi Algoritma Regresi Linear dan Random Forest untuk Prediksi Tingkat Pengangguran Terbuka di Jawa Timur
Abstract
Tingkat Pengangguran Terbuka (TPT) merupakan indikator penting dalam mengevaluasi kondisi ketenagakerjaan suatu daerah. Prediksi TPT diperlukan untuk mendukung penyusunan kebijakan ketenagakerjaan yang lebih efektif. Penelitian ini bertujuan membandingkan kinerja algoritma Linear Regression dan Random Forest Regression dalam memprediksi TPT di Provinsi Jawa Timur. Dataset yang digunakan berasal dari Badan Pusat Statistik (BPS) periode 2021–2025 yang mencakup 38 kabupaten/kota dengan total 190 data. Variabel prediktor meliputi Produk Domestik Regional Bruto (PDRB), Upah Minimum Regional (UMR), Tingkat Partisipasi Angkatan Kerja (TPAK), inflasi, dan rata-rata lama sekolah. Tahapan penelitian meliputi preprocessing data, standardisasi menggunakan StandardScaler, pembagian data dengan rasio 80:20, pembangunan model, serta evaluasi menggunakan MAE, MSE, RMSE, dan R². Hasil penelitian menunjukkan bahwa Random Forest Regression memiliki performa lebih baik dibandingkan Linear Regression, dengan nilai MAE 0,6768, MSE 0,8211, RMSE 0,9062, dan R² 0,7295, sedangkan Linear Regression memperoleh MAE 0,8518, MSE 1,2439, RMSE 1,1153, dan R² 0,5902. Variabel rata-rata lama sekolah menjadi faktor yang paling berpengaruh terhadap prediksi TPT. Dengan demikian, Random Forest Regression lebih efektif untuk memprediksi TPT di Provinsi Jawa Timur.
Downloads
References
M. R. Fahlevi and A. S. R. Anshari, "Analisis Pengaruh PDRB, Upah Minimum Regional, dan Tingkat Pendidikan Terhadap Tingkat Pengangguran Terbuka di Provinsi Jawa Timur," Jurnal Ekonomi dan Pembangunan Regional, vol. 5, no. 2, pp. 112–125, Jul. 2022.
S. Handayani and W. Utami, "Dinamika Inflasi, Pertumbuhan Ekonomi, dan Hubungannya dengan Tingkat Pengangguran Terbuka di Indonesia," Jurnal Ekonomi Makro Indonesia, vol. 10, no. 1, pp. 45–58, Jan. 2023.
R. D. Saputra and N. K. S. Astuti, "Pengaruh Tingkat Partisipasi Angkatan Kerja (TPAK) dan Rata-rata Lama Sekolah Terhadap Penyerapan Tenaga Kerja Pemuda," Jurnal Ketenagakerjaan dan Kebijakan Publik, vol. 3, no. 3, pp. 201–214, Oct. 2023.
T. H. Purwanto, "Analisis Kesenjangan Keterampilan (Skill Mismatch) dan Dampaknya Terhadap Tingkat Pengangguran Terdidik di Jawa Timur," Jurnal Pendidikan Ekonomi dan Bisnis, vol. 12, no. 1, pp. 33–47, Feb. 2024.
A. Nurhayati and F. Rosyidi, "Dilema Upah Minimum dan Efeknya Terhadap Elastisitas Kesempatan Kerja pada Sektor Manufaktur di Kabupaten/Kota," Jurnal Ilmiah Riset Ekonomi, vol. 9, no. 4, pp. 310–322, Dec. 2024.
H. Setiawan, "Evaluasi Capaian Indikator Ketenagakerjaan Jawa Timur Pasca-Pandemi Berdasarkan Data Badan Pusat Statistik," Jurnal Statistik Daerah, vol. 14, no. 2, pp. 88–99, Aug. 2025.
B. Juanda and J. M. Syarif, "Model Regresi Data Panel untuk Analisis Faktor-Faktor yang Mempengaruhi Pengangguran Tingkat Regional," Jurnal Aplikasi Statistika & Komputasi Statistik, vol. 15, no. 1, pp. 15–28, Mar. 2023.
D. Prasetyo and R. Wardani, "Penerapan Metode Ordinary Least Squares (OLS) dalam Memprediksi Pertumbuhan Ekonomi Daerah Berbasis Komponen PDRB," Jurnal Statistika dan Matematika Terapan, vol. 5, no. 2, pp. 77–89, Sep. 2023.
K. A. Nugroho, "Uji Asumsi Klasik dan Limitasi Model Linear dalam Kompleksitas Data Sosial Ekonomi Makro," Indonesian Journal of Applied Statistics, vol. 7, no. 2, pp. 142–155, Nov. 2024.
M. I. Fadilah and S. Sulastri, "Pemodelan Regresi Linear Berganda Untuk Proyeksi Angkatan Kerja di Sektor Industri Strategis," Jurnal Analisis Data Kuantitatif, vol. 4, no. 1, pp. 22–34, Jan. 2025.
L. A. Pratama and Y. S. Wijaya, "Penerapan Algoritma Random Forest Regression dalam Memprediksi Indikator Kemiskinan Tingkat Kabupaten," Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 10, no. 4, pp. 789–798, Aug. 2023.
N. W. Utami, I. G. A. P. R. Agung, and I. M. S. Putra, "Prediksi Tingkat Pengangguran Menggunakan Metode Ensemble Learning Berbasis Decision Tree," Jurnal Ilmu Komputer dan Informatika, vol. 9, no. 2, pp. 130–141, Nov. 2023.
R. Kusuma and A. B. Santoso, "Analisis Feature Importance pada Algoritma Pohon Keputusan untuk Identifikasi Variabel Dominan Sosial Ekonomi," Jurnal Sistem Informasi dan Sains Data, vol. 2, no. 1, pp. 55–66, Jan. 2024.
F. A. Ramadhan, "Optimasi Hyperparameter Random Forest Regression Menggunakan Grid Search untuk Prediksi Indikator Makro Ekonomi," Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 8, no. 3, pp. 412–420, Jun. 2024.
S. Mulyani and R. Hartono, "Komparasi Algoritma Supervised Learning Berbasis Pohon untuk Estimasi Tingkat Kesejahteraan Masyarakat," Jurnal Informatika dan Komputasi, vol. 16, no. 2, pp. 105–116, Aug. 2025.
A. R. Hakim and E. N. Fatimah, "Studi Komparatif Akurasi Model Statistik Konvensional dan Machine Learning pada Data Deret Waktu Ekonomi," Jurnal Jatisi (Jurnal Teknologi Informasi dan Sistem Informasi), vol. 10, no. 3, pp. 512–526, Sep. 2023.
W. Budiharto and J. Purwanto, "Analisis Perbandingan Regresi Linear Berganda dan Random Forest dalam Pemetaan Ketimpangan Pendapatan Daerah," Jurnal JITET (Jurnal Informatika dan Teknik Elektro Terapan), vol. 12, no. 2, pp. 189–199, Apr. 2024.
M. H. Asy'ari and T. Baryanto, "Mengatasi Hubungan Non-Linear pada Data Publikasi BPS: Pendekatan Regresi Parametrik versus Non-Parametrik Machine Learning," Jurnal Komputasi Statistik, vol. 6, no. 1, pp. 44–56, Jan. 2025.
G. D. Permadi and I. M. Sukarsa, "Evaluasi Robustness Metrik MAE, MSE, dan R-Square dalam Penilaian Model Prediksi Sosial," Journal of Computer Science and Informatics Engineering, vol. 5, no. 2, pp. 95–107, May 2025.
H. Kurniawan and S. Wahyuni, "Keunggulan Metode Ensemble Terhadap Algoritma Linear Tunggal dalam Prediksi Indikator Ketenagakerjaan Nasional," Jurnal Riset Komputer (JURIKOM), vol. 13, no. 1, pp. 67–79, Feb. 2026.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
