Klasifikasi Status Penduduk Angkatan Kerja di Provinsi Jawa Barat Menggunakan Metode Support Vector Machine (SVM)

Widyasari, Elvina (2024) Klasifikasi Status Penduduk Angkatan Kerja di Provinsi Jawa Barat Menggunakan Metode Support Vector Machine (SVM). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5003201128-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (3MB) | Request a copy

Abstract

Tingginya tingkat pengangguran menjadi fokus utama di setiap negara, terutama dalam konteks pertumbuhan ekonomi, termasuk di Indonesia, yang memiliki populasi penduduk yang besar. Permasalahan tersebut berdampak negatif pada perekonomian dan masyarakat secara keseluruhan, menyebabkan penurunan kesejahteraan, produktivitas rendah, dan peningkatan permasalahan sosial hingga menjadi hambatan dalam mencapai Sustainable Development Goals (SDGs). Provinsi Jawa Barat, sebagai penyumbang tingginya tingkat pengangguran terbuka di Indonesia, menduduki peringkat kedua tertinggi dalam tingkat pengangguran terbuka. Mengetahui faktor dan klasifikasi yang tepat sangat diperlukan untuk menyusun kebijakan yang tepat sasaran dalam mengurangi pengangguran. Pada penelitian ini bertujuan untuk melakukan klasifikasi status penduduk angkatan kerja di Provinsi Jawa Barat menggunakan metode Support Vector Machine (SVM) dengan kernel linier dan kernel RBF. Berdasarkan hasil seleksi variabel menggunakan metode regresi logistik, 9 variabel yang berpengaruh signifikan dalam klasifikasi status penduduk angkatan kerja antara lain jenis kelamin, usia, tingkat pendidikan, status perkawinan, status dalam keluarga, pengalaman pelatihan kerja, pengalaman kerja, klasifikasi daerah tempat tinggal, dan disabilitas. Pada Provinsi Jawa Barat, perbandingan status penduduk yang bekerja dan pengangguran menunjukkan ketidakseimbangan data, sehingga di atasi dengan metode Synthetic Minority Oversampling Technique (SMOTE). Hasil penelitian menunjukkan bahwa dengan persentase oversampling 80%, metode SVM kernel RBF dengan parameter C=1 dan γ=1 memberikan hasil yang terbaik dalam mengklasifikasikan status penduduk angkatan kerja di Provinsi Jawa Barat, dengan ketepatan klasifikasi yang didapat yaitu akurasi sebesar 82,21%, sensitivitas 80,26%, spesifisitas 82,35%, G-mean 81,30%, dan AUC 81,31%.
========================================================================================================================
High unemployment rates are a major focus in every country, especially in the context of economic growth, including in Indonesia, which has a large population. The problem has a negative impact on the economy and society as a whole, causing a decline in welfare, low productivity, and an increase in social problems that become obstacles in achieving the Sustainable Development Goals (SDGs). West Java Province, as a contributor to the high open unemployment rate in Indonesia, has the second highest open unemployment rate. Knowing the right factors and classification is needed to develop targeted policies in reducing unemployment. This study aims to classify the status of the labor force population in West Java Province using the Support Vector Machine (SVM) method with linear kernel and RBF kernel. Based on the results of variable selection using the logistic regression method, 9 variables that have a significant effect on the classification of the status of the labor force population include gender, age, education level, marital status, status in the family, job training experience, work experience, regional classification of residence, and disability. In West Java Province, the comparison of the status of the working and unemployed population shows data imbalance, so it is overcome by the Synthetic Minority Oversampling Technique (SMOTE) method. The results showed that with an oversampling percentage of 80%, the SVM kernel RBF method with parameters C = 1 and γ = 1 gave the best results in classifying the status of the labor force population in West Java Province, with classification accuracy obtained, namely accuracy of 82.21%, sensitivity 80.26%, specificity 82.35%, G-mean 81.30%, and AUC 81.31%.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Angkatan Kerja, Klasifikasi, Support Vector Machine,Classification, Labor Force, Support Vector Machine
Subjects:	H Social Sciences > HA Statistics H Social Sciences > HA Statistics > HA29 Theory and method of social science statistics H Social Sciences > HA Statistics > HA31.3 Regression. Correlation H Social Sciences > HN Social history and conditions. Social problems. Social reform Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	elvina widyasari
Date Deposited:	07 Aug 2024 17:36
Last Modified:	07 Aug 2024 17:36
URI:	http://repository.its.ac.id/id/eprint/114612

Actions (login required)

View Item