Perbandingan Performa Model Regresi, XGBoost, dan RNN pada Data Deret Waktu (Studi Kasus Kemiskinan di Tingkat Kabupaten/Kota)

Abstract

Analisis data deret waktu telah banyak digunakan di berbagai bidang dan umumnya menggunakan satu peubah atau dikenal dengan analisis univariat. Kelemahan analisis ini adalah tidak dapat melihat pengaruh dari peubah lain. Permasalahan tersebut dapat diatasi menggunakan analisis multivariat. Kemiskinan merupakan permasalahan ekonomi yang dipengaruhi oleh beberapa faktor sehingga dapat menggunakan analisis multivariat. Penelitian ini bertujuan membandingkan performa model regresi, XGBoost, dan Recurrent Neural Network pada data tingkat kemiskinan di Kabupaten Purbalingga, Kabupaten Kudus, dan Kota Jakarta Barat. Data yang digunakan adalah tingkat kemiskinan, PDRB, upah minimum kabupaten/kota, rata-rata lama sekolah, tingkat pengangguran terbuka, tingkat partisipasi angkatan kerja, dan usia harapan hidup tahun 2010–2020. Hasil penelitian ini diperoleh bahwa model regresi masih baik dalam memprediksi tingkat kemiskinan pada data deret waktu tanpa pencilan. Namun, model regresi kurang cocok untuk data deret waktu yang memiliki pencilan. Metode yang lebih cocok digunakan pada data deret waktu dengan pencilan adalah metode machine learning. Metode machine learning juga lebih konsisten dalam menentukan peubah yang berkontribusi dalam prediksi. Peubah penting yang berkontribusi dalam memprediksi kemiskinan di tingkat kabupaten/kota yang dianalisis adalah PDRB.

Time series data analysis has been widely used in various fields and is commonly known as univariate analysis, as it typically involves a single variable. The weakness of this analysis is its inability to account for the influence of other variables. This issue can be addressed through multivariate analysis. Poverty is an economic problem influenced by several factors, making it suitable for multivariate analysis. This research aims to compare the performance of Regression Model, XGBoost, and Recurrent Neural Network on poverty levels data in Purbalingga Regency, Kudus Regency, and West Jakarta City. The data used includes poverty levels, GRDP, district/city minimum wage, average years of schooling, open unemployment rate, labor force participation rate, and life expectancy from 2010 to 2020. The results of this research indicate that the regression model is still effective in predicting poverty levels in time series data without outliers. However, regression model is less suitable for time series data that contains outliers. A method more suitable for time series data with outliers is machine learning. Machine learning methods are also more consistent in identifying variables contributing to predictions. An important variable contributing to poverty prediction at the district/city level in the analyzed data is GRDP.