Tingkat Pengangguran Terbuka (TPT) merupakan indikator penting untuk menilai kondisi perekonomian suatu wilayah. Tingginya pengangguran menunjukkan terbatasnya lapangan kerja serta berdampak pada meningkatnya kemiskinan, beban sosial, dan menurunnya kesejahteraan masyarakat. Kondisi ini dapat mempengaruhi stabilitas ekonomi dan pembangunan daerah, sehingga analisis tingkat pengangguran diperlukan untuk mendukung kebijakan pemerintah yang tepat dan berkelanjutan.

Selain TPT, terdapat indikator lain yang berkaitan dengan ketenagakerjaan, seperti Tingkat Partisipasi Angkatan Kerja (TPAK), Indeks Pembangunan Manusia (IPM), dan rata-rata lama sekolah. Indikator tersebut memberikan gambaran mengenai kualitas sumber daya manusia, pendidikan, dan kondisi pasar kerja suatu wilayah.

Perkembangan teknologi mendorong penggunaan machine learning dan deep learning dalam prediksi data ekonomi dan sosial. Salah satu metode yang digunakan adalah 1D Convolutional Neural Network (1D CNN), yang mampu mengenali pola data deret waktu melalui ekstraksi fitur otomatis. Metode ini memiliki keunggulan dalam menangkap pola data, proses komputasi yang cepat, dan akurasi prediksi yang baik. Karena itu, penelitian ini menggunakan 1D CNN untuk menganalisis dan memprediksi tingkat pengangguran berdasarkan indikator ketenagakerjaan dan pembangunan manusia.

1. Model Grafik Loss:

1. Model Grafik Prediksi Tingkat Pengangguran:

Hasil evaluasi model digunakan untuk mengetahui tingkat akurasi dan kualitas prediksi dari model 1D CNN dalam memprediksi tingkat pengangguran. Pengukuran dilakukan menggunakan beberapa metrik evaluasi yaitu MAE, MSE, RMSE, Median Absolute Error (MedAE), dan R² Score. Berikut penjelasan secara terperinci.

1. Mean Absolute Error (MAE)

Nilai MAE yang diperoleh adalah:

MAE merupakan rata-rata selisih absolut antara nilai aktual dan nilai hasil prediksi model. Nilai ini menunjukkan seberapa besar rata-rata kesalahan prediksi yang dihasilkan model tanpa memperhatikan arah kesalahan.

Interpretasi:

· Model memiliki rata-rata kesalahan prediksi sekitar 0.49.

· Semakin kecil nilai MAE maka semakin baik performa model.

· Nilai MAE di bawah 1 menunjukkan bahwa hasil prediksi sudah cukup dekat dengan data aktual.

Pada penelitian ini, nilai MAE sebesar 0.4957 menunjukkan bahwa model 1D CNN mampu melakukan prediksi dengan tingkat kesalahan yang relatif rendah.

2. Mean Squared Error (MSE)

Nilai MSE yang diperoleh adalah:

MSE merupakan rata-rata kuadrat selisih antara nilai aktual dan nilai prediksi. Karena menggunakan kuadrat error, maka kesalahan besar akan memberikan pengaruh lebih besar terhadap nilai evaluasi.

Interpretasi:

· Nilai MSE yang kecil menunjukkan bahwa model tidak menghasilkan banyak prediksi yang meleset jauh.

· Semakin kecil nilai MSE maka model semakin stabil dan akurat.

· Nilai 0.3738 menunjukkan tingkat error kuadrat yang rendah.

Hal ini menandakan bahwa model mampu meminimalkan kesalahan prediksi secara cukup baik.

3. Root Mean Squared Error (RMSE)

Nilai RMSE yang diperoleh adalah:

merupakan akar kuadrat dari MSE sehingga menghasilkan nilai error dalam satuan asli data. RMSE lebih mudah diinterpretasikan dibandingkan MSE.

Interpretasi:

· Nilai RMSE sebesar 0.6114 menunjukkan bahwa rata-rata penyimpangan prediksi terhadap data aktual relatif kecil.

· Semakin kecil nilai RMSE maka hasil prediksi semakin mendekati data sebenarnya.

· RMSE juga sensitif terhadap error besar sehingga dapat menunjukkan kestabilan model.

Karena nilai RMSE masih rendah, maka model dapat dikatakan memiliki performa prediksi yang baik.

4. Median Absolute Error (MedAE)

Nilai Median Absolute Error yang diperoleh adalah:

MedAE merupakan median dari seluruh nilai absolut error prediksi. Berbeda dengan MAE, MedAE lebih tahan terhadap pengaruh outlier atau nilai ekstrem.

Interpretasi:

· Nilai MedAE yang hampir sama dengan MAE menunjukkan bahwa distribusi error model cukup stabil.

· Tidak terdapat terlalu banyak error ekstrem pada hasil prediksi.

· Sebagian besar hasil prediksi memiliki kesalahan yang relatif konsisten.

Hal ini menunjukkan bahwa model memiliki kestabilan prediksi yang baik terhadap data.

5. Koefisien Determinasi (R² Score)

Nilai R² Score yang diperoleh adalah:

R² Score digunakan untuk mengukur kemampuan model dalam menjelaskan variasi data aktual.

Interpretasi:

· Model mampu menjelaskan sekitar:

variasi data tingkat pengangguran.

· Semakin mendekati 1 maka model semakin baik.

· Nilai R² di atas 0.8 termasuk kategori sangat baik.

Kategori umum R²:

· < 0.5 → kurang baik

· 0.5 – 0.7 → cukup baik

· 0.7 – 0.8 → baik

· 0.8 → sangat baik

Dengan nilai R² sebesar 0.8153, model 1D CNN mampu mempelajari pola data dengan sangat baik dan menghasilkan prediksi yang cukup akurat.

Berdasarkan hasil evaluasi, model 1D CNN menunjukkan performa yang sangat baik dalam memprediksi tingkat pengangguran. Nilai MAE, MSE, RMSE, dan MedAE yang relatif kecil menunjukkan bahwa tingkat kesalahan prediksi model rendah dan hasil prediksi mendekati data aktual. Selain itu, nilai R² sebesar 0.8153 menunjukkan bahwa model mampu menjelaskan sebagian besar variasi data dengan baik. Dengan demikian, model 1D CNN dinilai cukup akurat, stabil, dan layak digunakan dalam proses analisis maupun prediksi tingkat pengangguran.

Published by Mahsuni

Syarat dan Ketentuan Penulisan di Siaran-Berita.com :
Setiap penulis setuju untuk bertanggung jawab atas berita, artikel, opini atau tulisan apa pun yang mereka publikasikan di siaran-berita.com - Syarat dan Ketentuan - Kebijakan Privasi - Panduan Komunitas - Disclaimer