Penerapan Metode CART pada Pengklasifikasian Bekerja dan Pengangguran di Kabupaten Subang

Abstract

Pengangguran merupakan masalah kompleks yang dihadapi oleh negara berkembang salah satunya Indonesia. Tingginya angka pengangguran di Indonesia berdampak pada kemiskinan sehingga pemerintah berupaya untuk melakukan pembangunan ekonomi. Subang merupakan salah satu kabupaten yang menyumbang 8,68 persen tingkat pengangguran terbuka pada tahun 2019 dan meningkat sebesar 9,48 persen pada tahun 2020. Gencarnya pembangunan kawasan industri dan smart city di Subang menjadi salah satu upaya mengurangi pengangguran. Classification and regression tree (CART) adalah metode yang digunakan pada penelitian ini untuk mengetahui faktor-faktor yang berpengaruh terhadap pengangguran di Kabupaten Subang. Metode CART memiliki kelebihan, yaitu mudah menginterpretasikan terhadap hasil analisis. Nilai akurasi dari pohon klasifikasi yang dihasilkan cukup rendah disebabkan oleh adanya ketidakseimbangan data. Oleh karena itu, metode SMOTE menjadi metode yang digunakan untuk menangani masalah tersebut. Pohon klasifikasi optimal terbentuk dari 17 simpul terminal dan 6 peubah penjelas. 7 simpul terminal menggambarkan bekerja sebagai bekerja dan 10 simpul terminal menggambarkan pengangguran sebagai pengangguran. 6 peubah penjelas terdiri dari status perkawinan (X3), mengikuti pelatihan kerja (X5), status dalam keluarga (X4), tingkat pendidikan (X2), jenis kelamin (X1), dan usia (X6).

Unemployment is a complex problem faced by developing countries, including Indonesia. The high unemployment rate in Indonesia impacts poverty, so that the government seeks to carry out economic development. Subang is one of the districts that contributed 8,68 percent of the open unemployment rate in 2019 and increased by 9,48 percent in 2020. The incessant growth of industrial estates and smart city program development in Subang is one of the efforts to reduce unemployment. This study used a classification and regression tree (CART) to determine the factors that influenced unemployment status in Subang Regency. The advantage of the CART method is easy to interpret the results of the analysis. However, the accuracy of the classification tree is relatively low due to data imbalance. Therefore, this study used SMOTE method to deal with this problem. The optimal classification tree was formed from 17 terminal nodes and 6 explanatory variables. 7 terminal nodes represent work as work, and 10 terminal nodes represent unemployment as unemployment. The 6 explanatory variables consist of marital status (X3), attending job training (X5), the position in the family (X4), the education level (X2), gender (X1), and age (X6).