Kajian Pemodelan Spatio-Temporal Generalized LASSO pada Kasus Tingkat Pengangguran Terbuka dengan Beberapa Metode Ketetanggaan Spasial

Abstract

Tingkat pengangguran terbuka (TPT) merupakan salah satu indikator untuk meninjau kondisi ketenagakerjaan pada suatu wilayah di Indonesia. Indonesia menjadi negara dengan tingkat pengangguran tertinggi di kawasan Asia Tenggara pada tahun 2024. Namun, isu pengangguran menjadi permasalahan kompleks yang melibatkan karakteristik kondisi tiap wilayah. Metode generalized LASSO melalui penambahan matriks penalti ?? mampu memodelkan struktur data yang memiliki pola spatio-temporal. Penelitian ini bertujuan mengidentifikasi pola spasial dan temporal, peubah paling berpengaruh, serta mengevaluasi performa pendekatan queen’s contiguity, k-nearest neighbor (KNN), dan a multidirectional ecotope based algorithm (AMOEBA) menggunakan model spatio-temporal generalized LASSO. Peubah yang digunakan, yakni tingkat partisipasi angkatan kerja (TPAK), upah minimum provinsi (UMP), rata-rata lama sekolah (RLS), dan penanaman modal dalam negeri (PMDN). Hasil penelitian menunjukkan bahwa pendekatan KNN ?? = 2 menggunakan parameter penalti ?? optimum sebesar 0,0171 menghasilkan performa model terbaik dengan nilai RMSE dan MAE minimum, menunjukkan bahwa pengelompokkan pengaruh sama terjadi paling kuat dalam lingkup wilayah yang terlokalisasi. Pengaruh positif terkuat ditemukan pada RLS di Kepulauan Riau tahun 2021 sedangkan pengaruh negatif terkuat ditemukan pada TPAK di Bali tahun 2024. Hasil penelitian menunjukkan bahwa generalized LASSO mampu menangkap dinamika pola spasial dan temporal dalam mengidentifikasi peubah berpengaruh terhadap TPT di Indonesia

The open unemployment rate (TPT) is one indicator used to assess market conditions in a region of Indonesia. Indonesia had the highest unemployment rate in Southeast Asia in 2024. However, unemployment is a complex issue that involves the specific characteristics of each region. The generalized LASSO method, through the addition of a D-penalty matrix, can model data structures with spatio-temporal patterns. This study aims to identify spatial and temporal patterns and the most influential variables, as well as to evaluate the performance of the queen’s contiguity, k-nearest neighbor (KNN), and a multidirectional ecotopebased algorithm (AMOEBA) approaches using the spatio-temporal generalized LASSO model. The variables used were the labor force participation rate (TPAK), the provincial minimum wage (UMP), the average years of schooling (RLS), and domestic investment (PMDN). The results show that the KNN approach with k=2 and an optimal penalty parameter ? of 0.0171 yields the best model performance with minimum RMSE and MAE values, indicating that the clustering of similar influences is strongest within localized regions. The strongest positive effect was found in RLS in the Riau Islands in 2021, while the strongest negative effect was found in TPAK in Bali in 2024. The results indicate that generalized LASSO is capable of capturing the dynamics of spatial and temporal patterns in identifying variables that influence TPT in Indonesia