Claim Missing Document
Check
Articles

Prediksi Jumlah Angkatan Kerja di Sulawesi Utara Menggunakan Algoritma Machine Learning Karu, Glenn Tyovanny Jeremy; Rantung, Vivi Peggie
Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi Vol. 6 No. 1 (2026): EduTIK : Februari 2026
Publisher : Jurusan PTIK Universitas Negeri Manado

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Prediksi jumlah angkatan kerja yang akurat merupakan kebutuhan penting bagi pemerintah daerah dalam menyusun kebijakan ketenagakerjaan dan perencanaan pembangunan sumber daya manusia. Provinsi Sulawesi Utara menunjukkan dinamika pasar tenaga kerja yang cukup signifikan dalam dua dekade terakhir, yang dipengaruhi oleh pertumbuhan penduduk, perubahan struktur ekonomi, serta berbagai guncangan eksternal seperti perlambatan ekonomi dan pandemi COVID-19. Kondisi tersebut menuntut adanya pendekatan prediktif yang mampu menangkap pola data yang kompleks dan tidak selalu linear. Penelitian ini menerapkan pendekatan machine learning untuk memprediksi jumlah angkatan kerja di Provinsi Sulawesi Utara menggunakan data tahunan periode 2003–2025. Data yang digunakan meliputi jumlah angkatan kerja, jumlah penduduk bekerja, tingkat pengangguran terbuka, dan total populasi. Tiga algoritma prediksi, yaitu Linear Regression, Random Forest, dan Extreme Gradient Boosting (XGBoost), diimplementasikan dan dibandingkan untuk menentukan model terbaik. Evaluasi performa model dilakukan menggunakan metrik Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa Linear Regression menghasilkan tingkat akurasi yang sangat tinggi namun mengindikasikan overfitting. Random Forest mampu menangkap hubungan non-linear, tetapi menunjukkan kestabilan yang terbatas akibat ukuran data yang relatif kecil. XGBoost memberikan performa paling seimbang dengan kesalahan prediksi yang stabil serta kemampuan generalisasi yang lebih baik. Berdasarkan model XGBoost terpilih, prediksi jumlah angkatan kerja periode 2026–2035 menunjukkan tren peningkatan yang konsisten. Temuan ini menunjukkan bahwa machine learning, khususnya XGBoost, efektif digunakan untuk peramalan ketenagakerjaan daerah.
Co-Authors Abimanyu Marvie Dwisuprapto Andrew C. J. Mangkey Andrew Christensen Jehezkiel Mangkey Ayu Triana Situmorang Christofel Owen Tendean Chrysilia Rimbing Cindy Pamela C Munaiseche Civita Loho Conggresco, Sherly Dalle, Asnir Daniel Riano Kaparang Dodu , Albertch Yordanus Erwin Enjelina Enjelina Ezra Matthew Warouw Runturamby Ferdinan I. Sangkop Gideon Febri Tuuk Gladly Caren Rorimpandey Glen D. P. Maramis Glendy Koleangan Hajra Rasmita Ngemba Hiskia Kamang Manggopa Inda, Inda Kakahis, Frimer Karamoy, Beauty Leony Karu, Glenn Tyovanny Jeremy Kristofel Santa Lintine, Gabriella Bamba Ratih Lipan, Kezia Luckie Sojow Mandas, Laura Rebeca Mangkey, Andrew Christensen Jehezkiel Marcelliano Riccardy Anantho Omega Kalitouw Mario Tulenan Parinsi Medea, Mega Jayanti Menden, Lisa Meyly Olivia Worang Michella Undap Moningkey, Efraim Nancy Sylvia Bawiling Nanda, Agus Estepen Olivia Kembuan P. Dominggo, Nenita Pandoh, Kevin Mclaren Pangaila, Engelina Ester Pangaila, Joshua Johanes Natanael parabelem tinno dolf rompas Penidas Fodinggo Tanaem Polii, Christiano Febriano Allesandro Franko Putra Ramadhan, Adjie Quido Conferti Kainde Ramba, Rima Ramdan Adjis Ratumbuisang, Yosua Fitsgerald Rettob, Mario Rettob Rosmala Nur Shania Kaparang Simbala, Akmal Situmorang, Ayu Triana Sondy C. Kumajas Stevanus Alfius Falentino Kembuan Supit, Mesiasi Anjelika Surbakti, Peliks Andreas Syaiful Hendra Tambajong, Karmel Daud Trudi Komansilan Wongkar, Abdiel Jeremia Winston Worang, Meyly Olivia Wowor, Hanna Elisabeth Wuntu, Lucky