Penerapan Principal Component Regression dan Metode Penyusutan pada Pemodelan Prediksi Tingkat Pengangguran di Indonesia

Abstract

Tingkat Pengangguran Terbuka (TPT) merupakan salah satu indikator penting yang mencerminkan kondisi pasar tenaga kerja dan perekonomian suatu negara. Pemodelan TPT sering melibatkan banyak variabel prediktor yang saling berkorelasi sehingga menimbulkan masalah multikolinearitas dan dapat menurunkan kestabilan model. Penelitian ini bertujuan membandingkan kinerja metode Regresi Ridge, Least Absolute Shrinkage and Selection Operator (LASSO), Elastic Net, dan Principal Component Regression (PCR) dalam memprediksi TPT di Indonesia. Data yang digunakan merupakan data tahunan Indonesia periode 1991–2024 yang terdiri atas satu variabel respon dan 21 variabel prediktor dari aspek ketenagakerjaan, ekonomi, demografi, pendidikan, perdagangan, dan investasi. Data dibagi menjadi data pelatihan dan pengujian dengan proporsi 70:30. Evaluasi model dilakukan menggunakan Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan koefisien determinasi ( ??² ). Hasil penelitian menunjukkan bahwa model LASSO memberikan kinerja terbaik dengan MAE sebesar 0,2240, RMSE sebesar 0,3299, dan ??² sebesar 0,9592. Pengujian Friedman menunjukkan adanya perbedaan kinerja yang signifikan antar model. Hasil ini menunjukkan bahwa LASSO merupakan metode yang paling efektif untuk memprediksi TPT pada data yang mengandung multikolinearitas.

The Open Unemployment Rate (OUR) is a key indicator that reflects labor market and economic conditions within a country. Modeling the unemployment rate often involves numerous predictor variables that are highly correlated, leading to multicollinearity problems and reducing model stability. This study aims to compare the performance of Ridge Regression, Least Absolute Shrinkage and Selection Operator (LASSO), Elastic Net, and Principal Component Regression (PCR) in predicting the unemployment rate in Indonesia. The study utilized annual Indonesian data from 1991 to 2024, consisting of one response variable and 21 predictor variables that represented labor, economic, demographic, educational, trade, and investment aspects. The data were divided into training and Testing sets using a 70:30 proportion. Model performance was evaluated using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and the coefficient of determination (??²). The results showed that the LASSO model achieved the best predictive performance with a MAE of 0.2240, an RMSE of 0.3299, and a ??² of 0.9592. Friedman’s Test indicated a significant difference in performance among the models. These findings suggest that LASSO is the most effective method for predicting the unemployment rate in the presence of multicollinearity.