<![CDATA[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.]]>
Copyrights © 2026
