RANCANG BANGUN SISTEM PREDIKSI TINGKAT PENGANGGURAN DI KOTA PEKANBARU DENGAN MENGGUNAKAN METODE REGRESI LINIER BERBASIS WEB

Samuel Sinulingga; Alyauma Hajjah

doi:10.35145/jmapteksi.v7i2.5597

Samuel Sinulingga Institut Bisnis dan Teknologi Pelita Indonesia
Alyauma Hajjah Institut Bisnis dan Teknologi Pelita Indonesia

DOI: https://doi.org/10.35145/jmapteksi.v7i2.5597

Abstract viewed = 0 times

PDF downloaded = 0 times

Abstract

Pengangguran merupakan indikator penting dalam menilai kondisi sosial ekonomi suatu daerah. Di Kota Pekanbaru, tingkat pengangguran mengalami fluktuasi sepanjang 2021 hingga 2024 akibat berbagai faktor seperti inflasi, upah minimum, pertumbuhan ekonomi, dan usia kerja. Penelitian ini bertujuan untuk menganalisis faktor-faktor yang memengaruhi tingkat pengangguran serta memprediksi kondisinya di tahun berikutnya menggunakan metode regresi linier. Data yang digunakan merupakan data sekunder dengan lima variabel independen: inflasi, upah minimum, pertumbuhan ekonomi, pertumbuhan populasi, dan persentase usia produktif (25–29 tahun). Perhitungan regresi dilakukan secara manual untuk mengetahui variabel yang paling berpengaruh terhadap tingkat pengangguran. Pertumbuhan ekonomi mendorong penciptaan lapangan kerja, sedangkan peningkatan penduduk usia kerja tanpa penyerapan tenaga kerja dapat memperburuk pengangguran. Berdasarkan model yang diperoleh, tingkat pengangguran tahun 2025 diprediksi menurun menjadi 3,70%, dari 4,10% pada tahun 2024. Sebagai pemanfaatan hasil penelitian, dikembangkan website yang menyajikan data pengangguran secara visual dalam bentuk grafik, tabel, dan hasil prediksi. Website ini dirancang menyerupai tampilan berita resmi BPS agar mudah diakses dan dipahami oleh masyarakat, akademisi, dan pembuat kebijakan

References

[1] M. Yasin and J. Priyono, “Analisis Faktor Usia, Gaji Dan Beban Tanggungan Terhadap Produksi Home Industri Sepatu Di Sidoarjo (Studi Kasus Di Kecamatan Krian),” J. Ekon. dan Bisnis, vol. 1, p. 14, 2016.
[2] Y. S. T. Allo, V. Sofica, N. Hasan, and M. Septiani, “Penggunaan Metode Naïve Bayes Dalam Mengklasifikasi Pengangguran Pada Desa Bojong Kulur,” Bianglala Inform., vol. 10, no. 1, pp. 30–35, 2022, doi: 10.31294/bi.v10i1.12333.
[3] R. Kaharudin, A. . Kumenaung, and A. . Niode, “Pengaruh Pengeluaran Pemerintah terhadap Pertumbuhan Ekonomi, Pengangguran dan Kemiskinan (Studi Kasus pada Kota Manado Tahun 2001-2017),” J. Berk. Ilm. Efisiensi, vol. 19, no. 04, pp. 13–23, 2019, [Online]. Available: https://ejournal.unsrat.ac.id/v3/index.php/jbie/article/view/25431
[4] S. Mujiatun, “Upaya Pengentasan Kemiskinan Di Kota Medan,” At-Tawassuth, vol. 3, no. 2, pp. 269–273, 2024, [Online]. Available: https://e-journal.uingusdur.ac.id/sahmiyya/article/download/8451/2163/17681
[5] U. Kristen et al., “2258-8869-2-Pb,” vol. 10, no. 2, pp. 512–523, 2024.
[6] A. Tristianto., Iswahyudi, Y., Wirawan, A., Supriyanto, “Jurnal Ekspos Analisis Perumusan Tujuan Pembangunan Bidang Ekonomi dalam Rancangan RPD Kabupaten Kudus 2024 - 2026 menggunakan logical framework approach ( LFA ),” J. Ekspos, pp. 1–14, 2023.
[7] I. gusti agung N. T. Jayantika, N. W. U. yushri A. Sudina, K. S. A. Oktapani, and ni luh G. W. Adnyani, “Emasains Emasains,” J. Edukasi Mat. dan Sains, vol. 13, no. 1, pp. 1–12, 2024.
[8] D. Arifuddin, “Comparison of the Performance of Multiple Linear Regression Algorithms and Multi Layer Perceptron Neural Networks in Predicting Drug Sales Perbandingan Performansi Algoritma Multiple Linear Regression dan Multi Layer Perceptron Neural Network dalam Mempre,” vol. 5, no. April, pp. 722–737, 2025.
[9] M. F. Syahroni, P. Kumbara, and L. Hakim, “Prediksi Tingkat Pengangguran Di Indonesia Menggunakan Linear Regression Dengan Weka,” J. Ilmu Tek., vol. 1, no. 4, pp. 242–248, 2024.
[10] Bright Nine Ginting, Khairun Nadiah, Grace Oktavia, and Daniel Sembiring, “Penerapan Regresi Linier Dalam Memprediksi Upah Minimum Provinsi Di Indonesia,” Pop. J. Penelit. Mhs., vol. 3, no. 1, pp. 38–45, 2023, doi: 10.58192/populer.v3i1.1662.
[11] P. Satapathy, A. H. Hermis, S. Rustagi, K. B. Pradhan, B. K. Padhi, and R. Sah, “Artificial intelligence in surgical education and training: opportunities, challenges, and ethical considerations - correspondence,” Int. J. Surg., vol. 109, no. 5, pp. 1543–1544, 2023, doi: 10.1097/JS9.0000000000000387.
[12] I. P. Sari, A. Azzahrah, I. F. Qathrunada, N. Lubis, and T. Anggraini, “Berbasis HTML dan CSS,” Blend Sains J. Tek., vol. 1, no. 1, pp. 8–15, 2022.
[13] L. Urbanč, “Predicting poverty using regression,” 2024, doi: 10.70314/is.2024.sikdd.20.
[14] Hardianto, R. Rosnelly, L. Wahyuni, G. Melvy Anggraini, Daifiria, and I. Lazuli, “Implementasi Javascript Dalam Pembuatan Web Sederhana,” CORAL (Community Serv. Journal), vol. 2, no. 1, pp. 116–123, 2023, [Online]. Available: https://www.doi.org/10.22303/coral.2.1.2023.116-123
[15] M. Permata Putri et al., sistem manajemen basis data menggunakan MYSQL. 2023. [Online]. Available: http://www.nber.org/papers/w16019
[16] M. Sumiati, R. Abdillah, and A. Cahyo, “Pemodelan Uml Untuk Sistem Informasi Persewaan Alat Pesta,” J. Fasilkom, vol. 11, no. 2, pp. 79–86, 2021, doi: 10.37859/jf.v11i2.2673.