Prediksi Pengangguran di Nusa Tenggara Barat Menggunakan Regresi Linier Berganda Berbasis Supervised Learning: Predicting Unemployment in West Nusa Tenggara Using Supervised Machine Learning-Based Multiple Linear Regression

Rukmiati Rukmiati; Siti Mutmainah; Khairunnas Khairunnas

doi:10.57152/malcom.v6i3.2860

Authors

Rukmiati Rukmiati Universitas Muhammadiyah Bima
Siti Mutmainah Universitas Muhammadiyah Bima
Khairunnas Khairunnas Universitas Muhammadiyah Bima

DOI:

https://doi.org/10.57152/malcom.v6i3.2860

Keywords:

Inflasi, Machine Learning, Pengangguran, Prediksi, Regresi Linear

Abstract

Tingkat Pengangguran Terbuka (TPT) merupakan salah satu indikator penting dalam mengukur kondisi ketenagakerjaan dan kesejahteraan masyarakat. Penelitian ini bertujuan untuk menganalisis pengaruh Indeks Pembangunan Manusia (IPM), Tingkat Kemiskinan, dan Inflasi terhadap TPT di Provinsi Nusa Tenggara Barat serta membangun model prediksi menggunakan Regresi Linear Berganda. Data yang digunakan merupakan data sekunder yang diperoleh dari Badan Pusat Statistik (BPS) Provinsi Nusa Tenggara Barat. Tahapan penelitian meliputi pengumpulan data, preprocessing, analisis data eksploratif (EDA), pengujian asumsi klasik, pemodelan, dan evaluasi model. Hasil pengujian asumsi klasik menunjukkan bahwa model telah memenuhi asumsi normalitas, multikolinearitas, heteroskedastisitas, dan autokorelasi. Untuk memperkuat kontribusi machine learning, dilakukan perbandingan antara Regresi Linear Berganda dan Decision Tree Regression. Hasil evaluasi menunjukkan bahwa Regresi Linear Berganda memperoleh nilai MSE sebesar 0,4357, RMSE sebesar 0,6601, dan R² sebesar 0,3226, sedangkan Decision Tree Regression memperoleh nilai MSE sebesar 0,5442, RMSE sebesar 0,7377, dan R² sebesar 0,1540. Berdasarkan hasil tersebut, Regresi Linear Berganda menghasilkan tingkat kesalahan yang lebih rendah dan kemampuan prediksi yang lebih baik dibandingkan dengan Decision Tree Regression. Dengan demikian, Regresi Linear Berganda dipilih sebagai model terbaik untuk memprediksi Tingkat Pengangguran Terbuka di Provinsi Nusa Tenggara Barat.

Downloads

Download data is not yet available.

References

BPS, “Keadaan Ketenagakerjaan Nusa Tenggara Barat Agustus 2025,” Statistik, 2025.

A. S. Darmawan and M. N. Mifrahi, “Jurnal Kebijakan Ekonomi dan Keuangan Analisis tingkat pengangguran terbuka di Indonesia periode sebelum dan saat pandemi covid-19,” vol. 1, no. 1, pp. 111–118, 2022.

S. Frisnoiry, H. M. W. Sihotang, N. Indri, and T. Munthe, “Analisis Permasalahan Pengangguran Di Indonesia,” vol. 17, no. 1, 2024.

S. D. Sari and E. Setyowati, “Procedia of Social Sciences and Humanities Analisis Pengangguran , Pendapatan Perkapita , Dan IPM Terhadap Pertumbuhan Ekonomi di Indonesia Tahun 2017- Analysis of Unemployment , Capita Income , and HDI on Economic Growth in Indonesia , 2017-2020 . Procedia of Social Sciences and Humanities,” vol. 0672, no. c, pp. 8–18, 2022.

R. Y. Endra and U. Rizal, “Teknik Prediksi Data Mining pada Perguruan Tinggi sebagai Kajian Literatur,” no. 2.

D. K. Malum Tahan Manaon Siregar, “Analisis Faktor-Faktor Yang Mempengaruhi Tingkat Pengangguran Di Kabupaten Dairi Menggunakan Regresi Linear Berganda,” vol. 12, no. 03, pp. 697–703, 2024.

J. Halif, D. Wahiddin, I. Sanjaya, and S. Faisal, “Model Regresi Linear Berganda untuk Prediksi Tingkat Pengangguran di Provinsi Jawa Barat,” pp. 324–335, 2025, doi: 10.33364/algoritma/v.22-1.2312.

A. S. Singarimbun and D. B. Arianto, “Prediksi Jumlah Pengangguran Di Indonesia Berdasarkan Data,” vol. 4, no. 2, pp. 58–62, 2024.

M. W. Musthofa et al., “Efek peningkatan upah minimum terhadap tingkat pengangguran pada kabupaten kota di nusa tenggara barat (ntb) analisi data panel pada tahun 2014-2023,” vol. 8, pp. 260–275, 2025.

T. Annastasya, R. Passarella, and Z. Yamani, “Unemployment rate forecasting in Indonesia using macroeconomic indicators with a machine learning approach,” 2025.

M. Ogryzek, “Applying Methods of Exploratory Data Analysis and Methods of Modeling the Unemployment Rate in Spatial Terms in Poland,” pp. 1–18, 2025.

R. Rachman et al., “Penerapan Regresi Linear Berganda Dalam Prediksi Dan Optimalisasi Persediaan Barang Toko Mungil,” vol. 8, no. 5, pp. 10499–10506, 2024.

A. N. Maharadja, I. Maulana, and B. A. Dermawan, “Penerapan Metode Regresi Linear Berganda untuk Prediksi Kerugian Negara Berdasarkan Kasus Tindak Pidana Korupsi,” vol. 5, no. 1, pp. 95–102, 2021.

J. Riset, T. Informasi, J. Penelitian, M. Jppm, A. Juli, and P. Handayani, “Analisis Regresi Linear Berganda Pada Hubungan Antara Tinggi Badan , Berat Badan Dan Usia Terhadap Perkembangan Potensi Akademik Anak Usia Dini ( Studi Kasus?: Ra - Adduriyat ),” vol. 1, no. 3, pp. 88–94, 2024.

R. N. T. Siregar, “Analisis Prediksi Harga Rumah di Bandung Menggunakan Regresi Linear Berganda,” vol. 1, no. 6, 2023.

D. Chicco, M. J. Warrens, and G. Jurman, “The coef fi cient of determination R-squared is more informative than SMAPE , MAE , MAPE , MSE and RMSE in regression analysis evaluation,” pp. 1–24, 2021, doi: 10.7717/peerj-cs.623.

B. S. Qolbi, N. Puteh, and C. Rozikin, “Prediksi Harga Rumah Di Jakarta Pusat Menggunakan Algoritma Machine Learning,” vol. 16, no. 1, pp. 16–24, 2025.

H. Rezkian, A. Dama, A. A. Supianto, and N. Y. Setiawan, “Analisis Penggunaan Model Regresi untuk Prediksi Penjualan Spare Part pada AHASS Nur Andhita Grogol,” vol. 5, no. 12, pp. 5591–5603, 2021.

C. Haryanto, N. Rahaningsih, F. M. Basysyar, K. Cirebon, R. F. Regression, and H. Rumah, “KOMPARASI ALGORITMA MACHINE LEARNING DALAM MEMPREDIKSI HARGA RUMAH,” vol. 1, no. 1, pp. 533–539, 2023.

S. A. Zega, A. Saropi, T. Ronaldy, Y. Ilhami, and M. Farabi, “Mengatasi Data Error Pada Proses Data Cleaning Motion Capture Motive Optitrack,” vol. 6, no. 1, pp. 89–95, 2022.