PERBANDINGAN METODE RANDOM FOREST DAN EXTREME GRADIENT BOOSTING (XBGBOOST) PADA KLASIFIKASI TINGKAT PENGANGGURAN TERBUKA (TPT) DI INDONESIA

ROSA AULIA NISA, . (2025) PERBANDINGAN METODE RANDOM FOREST DAN EXTREME GRADIENT BOOSTING (XBGBOOST) PADA KLASIFIKASI TINGKAT PENGANGGURAN TERBUKA (TPT) DI INDONESIA. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text COVER .pdf Download (1MB)
	Text BAB I.pdf Download (416kB)
	Text BAB II.pdf Restricted to Registered users only Download (947kB) | Request a copy
	Text BAB III.pdf Restricted to Registered users only Download (490kB) | Request a copy
	Text BAB IV.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text BAB V.pdf Restricted to Registered users only Download (276kB) | Request a copy
	Text DAFTAR PUSTAKA.pdf Download (271kB)
	Text LAMPIRAN.pdf Restricted to Registered users only Download (557kB) | Request a copy

Abstract

Tingkat Pengangguran Terbuka (TPT) merupakan indikator dalam mengukur pengangguran di Indonesia. Pengangguran sendiri masih menjadi masalah kompleks karena faktor-faktor yang saling berinteraksi dan sulit dipahami. Penelitian ini menyelidiki penerapkan algoritma Random Forest dan XGBoost dalam mengklasifikasi status TPT di Indonesia yang dibagi menjadi dua kategori, yaitu tinggi dan rendah, serta membandingkan performa keduanya. Data yang digunakan terdiri atas 514 kabupaten/kota dari 38 Provinsi pada Tahun 2023 dengan variabel-variabel yang digunakan merupakan faktor sosial-ekonomi. Hasil penelitian ini menunjukan bahwa Random Forest lebih unggul dibandingkan XGBoost. Random Forest memperoleh nilai accuracy sebesar 0,7484, precision 0,7959, recall 0,5735, F1-score 0,6667, dan ROC-AUC 0,8745. Sementara itu, XGBoost menghasilkan accuracy sebesar 0,7097, precision 0,7018, recall 0,5882, F1-score 0,6400, dan ROC-AUC 0,7847. Hasil feature importance menunjukkan bahwa Random Forest menyoroti tiga variabel utama, yakni Indeks Pembangunan Manusia, Kepadatan Penduduk, dan Tingkat Partisipasi Angkatan Kerja, sementara XGBoost memberikan kontribusi yang lebih proposional pada seluruh fitur. ***** The Open Unemployment Rate (TPT) is an indicator used to measure unemployment in Indonesia. Unemployment remains a complex issue due to interaction and difficult-to-understand factors. This study investigates the application of the Random Forest and XGBoost algorithms in classifying the TPT status in Indonesia, which is divided into two categories: high and low, and conduct a comparative evaluation of both performances. The data used consists of 514 districts/cities from 38 provinces in 2023, with variables based on selected socio-economic factors. The results of this study indicate that Random Forest is superior to XGBoost. Random Forest obtained an accuracy value of 0,7484, precision 0,7959, recall 0,5735, F1-score 0,6667, and ROC-AUC 0,8745. Meanwhile, XGBoost obtained an accuracy of 0,7097, precision of 0,7018, recall of 0,5882, F1-score of 0,6400, and ROC-AUC of 0,7847. The feature importance results show that Random Forest highlights three main variables, namely the Human Development Index, Population Density, and Labor Force Participation Rate, while XGBoost provides a more proportional contribution to all features.

Item Type:	Thesis (Sarjana)
Additional Information:	1). Fuad Mumtas, M.T.I. ; 2). Murien Nugraheni, M.Cs.
Subjects:	Teknologi dan Ilmu Terapan > Teknik Komputer
Divisions:	FT > S1 Sistem dan Teknologi Informasi
Depositing User:	Users 28864 not found.
Date Deposited:	05 Aug 2025 02:46
Last Modified:	05 Aug 2025 02:46
URI:	http://repository.unj.ac.id/id/eprint/57819

Actions (login required)

View Item