PREDIKSI JUMLAH TENAGA KERJA ASING DI JAWA BARAT MENGGUNAKAN PERBANDINGAN ALGORITMA SUPPORT VECTOR REGRESSION DAN DECISION TREE REGRESSION

Farill Andika Wardana
Safitri Juanita - [ https://orcid.org/0000-0002-7787-7623 ]


DOI: https://doi.org/10.29100/jipi.v10i2.6003

Abstract


Beberapa tahun ini, Indonesia sedang menghadapkan masalah mengenai peningkatan jumlah tenaga kerja asing yang masuk ke Indonesia, salah satunya di provinsi Jawa Barat. Sehingga diperlukan model prediksi untuk memprediksi jumlah tenaga kerja asing yang masuk di provinsi Jawa Barat. Metode yang digunakan pada penelitian ini adalah CRISP-DM, dengan menggunakan dataset jumlah tenaga kerja asing di Jawa Barat periode 2014-2023, dan pada tahap pemodelan membandingkan 2 algoritma yaitu Decision Tree Regression (DTR) dan Support Vector Regression (SVR) dengan metode pengujian Cross-Validation (CV). Hasil pengujian performa kedua algoritma menggunakan Mean Squared Error (RMSE) dan Mean Absolute Error (MAE). Penelitian ini bertujuan untuk menemukan model peramalan untuk melakukan prediksi terhadap jumlah tenaga kerja asing yang masuk di provinsi Jawa Barat. Kesimpulan penelitian ini adalah model prediksi yang memiliki performa lebih unggul adalah Decision Tree Regression (DTR) dengan nilai RMSE sebesar 78.04% dan MAE sebesar 69.57%, sedangkan Support Vector Regression (SVR) hanya memiliki nilai RMSE sebesar 81.80%. dan MAE sebesar 70.79%. 

Keywords


decision tree regression; jawa barat; prediksi tenaga kerja; support vector regression

Full Text:

PDF

Article Metrics :

References


R. Abduh, “Dampak sosial tenagakerja asing (TKA) di Indonesia,” SosekJurnal Sos. dan Ekon., vol. 1, no. 1, pp. 25–28, 2020, [Online]. Available: https://jurnal.bundamediagrup.co.id/index.php/sosek/article/view/24/24

R. I. Khaldun, G. A. Fita, A. N. F. Utami, and T. H. Tahawa, “Globalisasi, ancaman dan upaya peningkatan daya saing tenaga kerja,” J. Ilmu Hub. Inetranasional, vol. 01, no. 01, pp. 27–36, 2020, [Online]. Available: https://ojs.unsulbar.ac.id/index.php/lino/article/view/827/444

N. Aida, U. Ciptawaty, T. Gunarto, and S. Aini, “Analisis dampak penanaman modal asing dan tenaga kerja asing tiongkok terhadap perekonomian Indonesia,” J. Ekon. Pembang., vol. 10, no. 3, pp. 159–167, 2021, doi: 10.23960/jep.v10i3.301.

Databooks.katadata.co.id.(2023), Sebaran Investasi Asing 2023 Terbanyak Masuk Jawa Barat.Diakses pada 2024,dari https://databoks.katadata.co.id/datapublish/2024/03/07/sebaran-investasi-asing-2023-terbanyak-masuk-jawa-barat#:~:text=Menurut data Badan Koordinasi Penanaman Modal %28BKPM%29%2C sepanjang,nilai US%248%2C28 miliar atau 16%2C5%25 dari total PMA.

Databooks.katadata.co.id.(2023), Sebaran Tenaga Kerja Asing November 2022 Terbanyak di Sulteng.Diakses pada 2024, dari https://databoks.katadata.co.id/datapublish/2023/01/18/sebaran-tenaga-kerja-asing-november-2022-terbanyak-di-sulteng.

D. Budiman, S. D. Nabella, and U. I. Sina, “Masuknya warga negara asing dalam perspektif ekonomi pertahanan,” BENING, vol. 7, no. June, pp. 53–65, 2020, doi: 10.33373/bening.v7i1.2354.

A. T. Nurani, A. Setiawan, and B. Susanto, “Perbandingan kinerja regresi decision tree dan regresi Linear berganda untuk prediksi BMI pada dataset asthma,” J. Sains dan Edukasi Sains, vol. 6, no. 1, pp. 34–43, 2023, doi: 10.24246/juses.v6i1p34-43.

A. N. Safira, B. Warsito, and A. Rusgiyono, “Analisis Support Vector Regression (Svr) Dengan Algoritma Grid Search Time Series Cross Validation Untuk Prediksi Jumlah Kasus Terkonfirmasi Covid-19 Di Indonesia,” J. Gaussian, vol. 11, no. 4, pp. 512–521, 2023, doi: 10.14710/j.gauss.11.4.512-521.

R. A. Saputra et al., “Implementasi algoritma decision tree C4.5 dan support vector regression untuk prediksi penyakit stroke,” J. Phys. Conf. Ser., vol. 1641, no. 1, pp. 61–67, 2020, doi: 10.1088/1742-6596/1641/1/012025.

A. Arfan and L. ETP, “Perbandingan Algoritma long short-term memory dengan SVR pada Prediksi harga saham di Indonesia,” Petir, vol. 13, no. 1, pp. 33–43, 2020, doi: 10.33322/petir.v13i1.858.

C. Schröer, F. Kruse, and J. M. Gómez, “A systematic literature review on applying CRISP-DM process model,” Procedia Comput. Sci., vol. 181, no. 2019, pp. 526–534, 2021, doi: 10.1016/j.procs.2021.01.199.

R. Oktafiani and R. Rianto, “Perbandingan Algoritma Support Vector Machine (SVM) dan Decision Tree untuk Sistem Rekomendasi Tempat Wisata,” J. Nas. Teknol. dan Sist. Inf., vol. 9, no. 2, pp. 113–121, 2023, doi: 10.25077/teknosi.v9i2.2023.113-121.

A. Hermawan, I. W. Mangku, N. K. K. Ardana, and H. Sumarno, “Analisis support vector regression dengan algoritma grid search untuk memprediksi harga saham,” J. Math. Its Appl., vol. 18, no. 1, pp. 41–60, 2022, doi: 10.29244/milang.18.1.41-60.

A. Setiawan, R. F. Waleska, M. A. Purnama, and L. Efrizoni, “Komparasi algoritma k-Nearest neighbor (K-NN), support vector machine (SVM), dan decision tree dalam klasifikasi penyakit stroke,” J. Inform. Rekayasa Elektron., vol. 7, no. 1, pp. 107–114, 2024.

M. Aditya Pratama, M. Munawaroh, W. Joko Pranoto, P. Studi Teknik Informatika, F. Sains dan Teknologi, and U. Muhammadiyah Kalimantan Timur, “Perbandingan Performa Algoritma Linear Regresi dan Random Forest untuk Prediksi Harga Bawang Merah di Kota Samarinda,” J. Ilmu Tek., vol. 1, no. 2, pp. 172–182, 2024, [Online]. Available: https://doi.org/10.62017/tektonik

F. N. Iman and D. Wulandari, “Prediksi harga saham menggunakan metode long short term memory,” Log. J. Ilmu Komput. dan Pendidik., vol. 1, no. 3, pp. 601–616, 2023, doi: 2985-4172.

A. Satria, R. M. Badri, and I. Safitri, “Prediksi hasil panen tanaman pangan sumatera dengan metode machine learning,” Digit. Transform. Technol., vol. 3, no. 2, pp. 389–398, 2023, doi: 10.47709/digitech.v3i2.2852.