PREDIKSI STATUS KERJA MENGGUNAKAN MACHINE LEARNING PADA DATA SENSUS ANGKATAN KERJA DI NTB

Firda Niken Sari (Universitas Muhammadiyah Mataram)
Nani Sulistianingsih (Universitas Muhammadiyah Mataram)
Muhammad Imam Dinata (Universitas Muhammadiyah Mataram)

Jurnal Informatika Teknologi dan Sains (Jinteks)
Vol 8 No 1 (2026): EDISI 27

Ketenagakerjaan merupakan indikator penting dalam menilai kondisi sosial ekonomi suatu wilayah, sehingga diperlukan model prediksi yang akurat untuk mengidentifikasi faktor-faktor yang memengaruhi status ketenagakerjaan individu. Penelitian ini bertujuan untuk membangun model prediksi status ketenagakerjaan menggunakan algoritma Light Gradient Boosting Machine (LightGBM) serta mengidentifikasi variabel paling berpengaruh. Data yang digunakan merupakan data mikro ketenagakerjaan yang dianalisis menggunakan metode Least Absolute Shrinkage and Selection Operator (LASSO) untuk menyeleksi fitur relevan sebelum pemodelan. Hasil penelitian menunjukkan bahwa model LightGBM menghasilkan kinerja prediksi yang baik dengan nilai akurasi 78% dan ROC-AUC 78%, serta mampu mengidentifikasi faktor dominan seperti usia, pendidikan, dan karakteristik demografis lainnya. Temuan ini menunjukkan bahwa integrasi seleksi fitur Lasso dengan LightGBM efektif dalam meningkatkan kinerja dan interpretabilitas model prediksi status ketenagakerjaan, sehingga dapat digunakan sebagai dasar pengambilan kebijakan ketenagakerjaan berbasis data.