Estimasi Variabel dan Parameter Model Pertumbuhan Pengangguran Menggunakan Metode Extended Kalman Filter dan Adaptive Extended Kalman Filter

Arindana, Shafira Taniar Dwi and Arif, Didik Khusnul (2024) Estimasi Variabel dan Parameter Model Pertumbuhan Pengangguran Menggunakan Metode Extended Kalman Filter dan Adaptive Extended Kalman Filter. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5002201018-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (2MB) | Request a copy

Abstract

Indonesia dengan jumlah penduduk yang menampati peringkat ke-empat di dunia terus dihadapkan dengan permasalah pengangguran. Upaya pemerintah dengan menyediakan pelatihan ketrampilan untuk penduduk usia kerja dan lapangan pekerjaan diharapkan dapat menanggulangi masalah pengangguran. Fenomena masalah pengangguran ini dapat dimodelkan secara matematis dalam suatu model pertumbuhan pengangguran yang berbentuk nonlinier dengan beberapa variabel yaitu jumlah penduduk yang menganggur, jumlah penduduk yang menganggur tetapi memiliki keterampilan, jumlah penduduk yang bekerja, dan jumlah lapangan pekerjaan yang tersedia. Pada model matematika pertumbuhan pengangguran tersebut terdapat variabel serta beberapa parameter lainnya yang sulit diketahui datanya sehingga perlu dilakuakan estimasi. Oleh karena itu, pada penelitian Tugas Akhir ini digunakan metode Extended Kalman Filter (EKF) dan Adaptive Extended Kalman Filter (AEKF) untuk mengestimasi variabel dan parameter pada model pertumbuhan pengangguran. Pada algortima EKF diasumsikan matriks kovarian noise sistem bernilai konstan dan berdasarkan trial-error. Sedangkan pada algortima AEKF, matriks kovarian noise sistem diestimasi secara adaptif sehingga tidak perlu melakukan trial-error. Hasil dari penelitian ini menunjukkan bahwa untuk jumlah penduduk yang menganggur menghasilkan estimasi yang mendekati data real dengan tingkat akurasi MAPE EKF sebesar 0.008% dan MAPE AEKF sebesar 3.596%. Selanjutnya untuk jumlah penduduk yang bekerja juga menghasilkan estimasi yang mendekati data real dengan tingkat akurasi MAPE EKF sebesar 0.00028% dan MAPE AEKF sebesar 0.29%. Metode EKF merupakan metode yang paling akurat untuk digunakan dalam estimasi dibandingkan AEKF.

========================================================================================================================

Indonesia, with the fourth largest population in the world, continues to face unemployment problems. The government's efforts to provide skill training for the working-age population and job opportunities are expected to address the issue of unemployment. This unemployment problem can be mathematically modeled as a nonlinear unemployment growth model with several variables, namely the number of unemployed people, the number of unemployed people with skills, the number of employed people, and the number of available job opportunities. In this mathematical unemployment growth model, there are variables and several other parameters whose data are difficult to determine, thus requiring estimation. Therefore, in this final project research, the Extended Kalman Filter (EKF) and Adaptive Extended Kalman Filter (AEKF) methods are used to estimate the variables and parameters in the unemployment growth model. In the EKF algorithm, the system noise covariance matrix is assumed to be constant and based on trial-and-error. In the AEKF algorithm, the system noise covariance matrix is adaptively estimated, eliminating the need for trial-and-error. The results of this study show that the number of unemployed people yields estimates that are close to real data with an EKF MAPE accuracy rate is 0.008% and AEKF MAPE accuracy rate is 3.596%. Furthermore, the number of employed people also yields estimates that are close to real data with an EKF MAPE accuracy rate is 0.00028% and an AEKF MAPE accuracy rate is 0.29%. The EKF method is the most accurate method to use for estimation compared to AEKF method.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Adaptive Extended Kalman Filter, Diskrit, Extended Kalman Filter, Estimasi, Model Matematika, Adaptive Extended Kalman Filter, Descrete, Extended Kalman Filter, Estimation, Mathematics Model
Subjects:	Q Science > QA Mathematics > QA402.3 Kalman filtering.
Divisions:	Faculty of Mathematics, Computation, and Data Science > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Shafira Taniar Dwi Arindana
Date Deposited:	01 Aug 2024 03:43
Last Modified:	01 Aug 2024 03:43
URI:	http://repository.its.ac.id/id/eprint/110718

Actions (login required)

View Item