Jurnal Mahasiswa Aplikasi Teknologi Komputer dan Informasi Vol.
7 No.
3 Thn 2025 Hal 193-201
E ISSN: 2685-6565
RANCANG
BANGUN
SISTEM
PREDIKSI
TINGKAT
PENGANGGURAN
KOTA
PEKANBARU
DENGAN
MENGGUNAKAN METODE REGRESI LINIER BERBASIS WEB
Samuel Sinulinggaa.
Alyauma Hajjahb Institut Bisnis dan Teknologi Pelita Indonesia.
Jl.
Jend.
Ahmad Yani No.
78-88 Pekanbaru, samuel@student.
Institut Bisnis dan Teknologi Pelita Indonesia.
Jl.
Jend.
Ahmad Yani No.
78-88 Pekanbaru, alyaumahajjah@lecturer.
INFORMASI ARTIKEL
A B S T R A C T
Sejarah Artikel:
Diterima Redaksi: 2 November 2025 Revisi Akhir: 30 Desember 2025 Diterbitkan Online: 31 Desember 2025 Pengangguran merupakan indikator penting dalam menilai kondisi sosial ekonomi suatu Di Kota Pekanbaru, tingkat pengangguran mengalami fluktuasi sepanjang 2021 hingga 2024 akibat berbagai faktor seperti inflasi, upah minimum, pertumbuhan ekonomi, dan usia Penelitian ini bertujuan untuk menganalisis faktor-faktor yang memengaruhi tingkat pengangguran serta memprediksi kondisinya di tahun berikutnya menggunakan metode regresi Data yang digunakan merupakan data sekunder dengan lima variabel independen: inflasi, upah minimum, pertumbuhan ekonomi, pertumbuhan populasi, dan persentase usia produktif .
Ae29 tahu.
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 KATA KUNCI Pengangguran.
Regresi Linear.
Faktor Sosial.
Faktor Demografis.
Faktor Ekonomi.
Pekanbaru
KORESPONDENSI
E-mail: samuel@student.
PENDAHULUAN
Pengangguran merupakan salah satu indikator utama yang mencerminkan kondisi sosial ekonomi suatu wilayah.
Di Kota Pekanbaru, tingkat pengangguran terbuka (TPT) menunjukkan tren yang fluktuatif dalam beberapa tahun terakhir.
Berdasarkan data dari Badan Pusat Statistik (BPS) Kota Pekanbaru, tingkat pengangguran mencapai 5,86% pada tahun 2021, turun menjadi 4,99% pada tahun 2022, lalu sedikit naik kembali menjadi 5,15% pada tahun 2023, dan menurun menjadi 4,10% pada tahun 2024.
Meskipun menunjukkan kecenderungan menurun, jumlah pengangguran di Pekanbaru masih tergolong tinggi dibandingkan dengan daerah lainnya di Riau.
Gambar 1.
Tingkat Pengangguran di Pekanbaru 2024 Tingkat pengangguran yang cukup tinggi dapat mengakibatkan berbagai dampak negatif seperti penurunan kualitas hidup masyarakat, peningkatan kemiskinan, dan perlambatan pertumbuhan ekonomi.
Oleh karena itu, prediksi tingkat pengangguran menjadi penting dalam upaya perencanaan dan pengambilan kebijakan yang efektif dalam mengatasi masalah ketenagakerjaan di suatu daerah.
Penelitian ini bertujuan untuk memprediksi tingkat pengangguran menggunakan metode regresi linier berdasarkan data di Kota Pekanbaru.
Penelitian ini menjadi penting karena menyediakan alat analisis yang dapat membantu pemerintah daerah dan pembuat kebijakan dalam merancang program-program untuk mengurangi pengangguran.
Dengan memanfaatkan data ekonomi makro yang tersedia, prediksi ini diharapkan dapat memberikan gambaran yang lebih akurat mengenai faktor-faktor yang memengaruhi tingkat pengangguran di Kota Pekanbaru sehingga dapat membantu dalam merumuskan kebijakan yang lebih tepat sasaran dan efektif .
Menurut Kementerian Ketenagakerjaan (Kemnake.
, pengangguran dapat terjadi karena berbagai faktor baik dari sisi permintaan maupun penawaran tenaga kerja.
Beberapa penyebab yang sering ditemui antara lain pertumbuhan ekonomi yang tidak stabil, rendahnya upah minimum, ketidakcocokan antara Jurnal Mahasiswa Aplikasi Teknologi Komputer dan Informasi keterampilan tenaga kerja dengan kebutuhan pasar, perubahan teknologi yang mengurangi kebutuhan tenaga kerja manusia, serta ketidakstabilan sektor industri tertentu.
Selain itu, inflasi, krisis ekonomi, dan kebijakan pemerintah yang kurang efektif dalam menciptakan lapangan kerja juga dapat memperburuk kondisi pengangguran .
Di Kota Pekanbaru, faktor-faktor tersebut juga berpotensi memengaruhi dinamika pengangguran.
Oleh karena itu, penting untuk menganalisis data ekonomi makro yang relevan guna memahami penyebab spesifik pengangguran di wilayah ini.
Namun sebagian besar penelitian tersebut dilakukan dalam konteks nasional, atau provinsi, dan masih sangat sedikit yang membahas prediksi pengangguran secara spesifik di tingkat kota seperti Pekanbaru.
Penelitian ini menawarkan keterbaruan dengan menerapkan metode regresi linier pada tingkat kota yaitu Kota Pekanbaru.
Pendekatan ini merupakan perluasan dari penelitian sebelumnya yang bersifat umum dan ditujukan untuk memberikan pemahaman lebih mendalam mengenai faktor-faktor lokal yang memengaruhi pengangguran.
Keterbaruan ini penting karena dapat membantu dalam merancang strategi pengentasan pengangguran yang lebih sesuai dengan kondisi wilayah setempat yang sering kali berbeda dari pola-pola yang terlihat pada tingkat nasional atau provinsi.
Oleh karena itu, judul "Rancang Bangun Sistem Prediksi Tingkat Pengangguran di Kota Pekanbaru dengan Metode Regresi Linier Berbasis Web" dipilih karena metode regresi linier terbukti sebagai teknik statistik yang efektif untuk menganalisis hubungan antara variabel ekonomi dan pengangguran.
Dengan memanfaatkan data makroekonomi lokal yang tersedia, diharapkan dapat ditemukan pola-pola yang berguna dalam memprediksi tingkat pengangguran serta memberikan kontribusi nyata bagi kebijakan pembangunan ekonomi di Kota Pekanbaru.
TINJAUAN PUSTAKA
Pengangguran Dalam standar pengertian yang sudah ditentukan secara internasional, yang dimaksudkan dengan pengangguran adalah seseorang yang sudah digolongkan dalam angkatan kerja yang secara aktif sedang mencari pekerjaan pada suatu tingkat upah tertentu, tetapi tidak dapat memperoleh pekerjaan yang Orang yang menganggur tersebut dapat didefinisikan orang yang tidak bekerja dan secara aktif mencari pekerjaan selama 4 minggu sebelumnya, sedang menunggu panggilan kembali untuk suatu pekerjaan setelah diberhentikan atau sedang menunggu untuk melapor atas pekerjaan yang baru dalam waktu 4 minggu .
Pengangguran adalah sebuah golongan angkatan kerja yang belum melakukan suatu kegiatan yang menghasilkan uang.
Pengguran tidak terbatas pada orang yang belum bekerja .
Disamping memperkecil output, pengangguran juga memacu pengeluaran pemerintah lebih tinggi untuk keperluan kompensasi pengangguran dan kesejahteraan .
Ekonomi Makro Menurut .
Ekonomi makro adalah cabang ilmu ekonomi yang mempelajari fenomena ekonomi secara keseluruhan, termasuk aspek-aspek seperti pertumbuhan ekonomi, inflasi, pengangguran, dan kebijakan fiskal serta moneter.
Hal ini sejalan dengan pendapat .
yang menyatakan bahwa ekonomi makro digunakan untuk memahami pergerakan keseluruhan perekonomian, sehingga dapat membantu pemerintah dalam merumuskan kebijakan untuk menjaga stabilitas harga, meningkatkan pertumbuhan, serta mengurangi tingkat Inflasi: Kenaikan harga barang dan jasa secara umum dan terus menerus dalam jangka waktu tertentu, yang mempengaruhi daya beli masyarakat dan kondisi ekonomi secara keseluruhan.
Pertumbuhan Ekonomi: Perubahan jumlah barang dan jasa yang diproduksi oleh suatu ekonomi dalam periode tertentu, biasanya diukur dengan Produk Domestik Bruto (PDB).
Pertumbuhan ekonomi yang rendah atau negatif dapat menyebabkan peningkatan pengangguran.
Upah Minimum: Upah minimum yang ditetapkan oleh pemerintah mempengaruhi kesejahteraan pekerja dan dapat berperan dalam tingkat pengangguran apabila upah minimum terlalu tinggi sehingga memengaruhi permintaan tenaga kerja.
Pertumbuhan Populasi: Pertumbuhan populasi yang tidak sebanding dengan penciptaan lapangan kerja akan memengaruhi tingkat pengangguran.
Data Mining Data mining adalah suatu proses sistematis yang digunakan untuk menemukan pola, kecenderungan, hubungan, atau informasi yang tersembunyi dalam sekumpulan data terpilih .
Proses ini tidak hanya sekadar membaca data, melainkan berusaha menggali lebih dalam sehingga data yang awalnya hanya berupa angka atau teks dapat diubah menjadi informasi yang bermakna serta pengetahuan baru yang mendukung pengambilan keputusan.
Seiring berkembangnya era big data, di mana volume, kecepatan, dan variasi data semakin meningkat, data mining menjadi semakin penting sebagai alat untuk mengolah data yang kompleks agar dapat dimanfaatkan secara Regresi Linier Regresi linier merupakan metode statistik yang digunakan untuk memodelkan hubungan dua variabel dengan menggunakan garis lurus.
Fungsi utama regresi linier adalah memprediksi nilai variabel terikat (Y) berdasarkan nilai variabel bebas (X) .
Dalam penelitian kuantitatif, regresi linier memperkirakan atau memprediksi hubungan antara dua variabel melalui garis titik data yang paling sesuai, bukan melalui kurva atau koefisien ycU = yu0 yu1 ycU1 yu2 ycU2 yu3 ycU3 yu4 ycU4 yce A A A .
ycIycn ycIyc Ie ycIyc Oe ycycuycycyco yc O ycn Keterangan:
Y = Pengangguran 0 = Intercept 1, 2, 3, 4 = Koefisien regresi e = Residual / Eror X1 = Pertumbuhan Ekonomi X2 = Inflasi X3 = Upah Minimum X4 = Pertumbuhan Populasi X5 = Faktor Usia Sinulingga.
Rancang Bangun Sistem Prediksi.
Dimana Y adalah variabel dependen.
X adalah variabel independen, \beta0\ adalah intersep, \beta1 adalah koefisien regresi, dan A adalah residual.
Regresi linier digunakan dalam penelitian ini karena kemampuannya yang sederhana namun efektif untuk memprediksi variabel dependen .
ingkat penganggura.
berdasarkan perubahan dalam variabel independen .
eperti inflasi, upah minimum, dll.
) .
Bahasa Pemograman Bahasa pemrograman adalah sekumpulan instruksi yang digunakan untuk mengolah data dan membangun sistem Dalam penelitian ini, bahasa pemrograman digunakan untuk mengimplementasikan algoritma regresi linear, melakukan perhitungan matematis, serta menampilkan hasil prediksi dalam bentuk visualisasi grafik.
HTML
HTML adalah bahasa yang harus dipahami dalam pembuatan website.
Menurut Badiyanto .
Hyper Text Markup Language (HTML) merupakan bahasa standar pemrograman untuk membuat halaman web yang terdiri dari kode-kode tag tertentu, kemudian kode- kode tersebut diterjemahkan oleh web browser untuk menampilkan halaman web yang terdiri dari berbagai format tampilan seperti teks, grafik, animasi link, maupun audio video .
Hypertext Prepocessor (PHP) PHP adalah singkatan dari "Hypertext Preprocessor" dan merupakan bahasa pemrograman yang umum digunakan dalam pengembangan aplikasi web.
PHP awalnya dikembangkan sebagai bahasa pemrograman untuk membuat halaman web dinamis yang dapat berinteraksi dengan database.
namun karena kemajuannya.
PHP juga dapat digunakan untuk membuat berbagai jenis aplikasi web yang kompleks (Suhartini.
Sadali, and Putra 2.
Javascript Menurut .
Javascript adalah Bahasa pemrograman web yang bersifat Clinet Side Programming, maksudnya pemrosesan dilaksanakan dengan klien.
Berbeda dengan PHP serta langsung diproses agar sisi server pada browser akan melaksanakan loading pada saat program sedang diproses di server, pada pemrosesan javascript, browser tidak harus melaksanakan dan loading.
Karena sifatnya yang diproses pada pelanggan, dengan respon yang dilakukan jauh lebih maksimal dibandingkan dengan pemrograman yang diproses pada server.
Unified Modeling Language (UML) Menurut .
Unified Modeling Language (UML) adalah sebuah bahasa pemodelan perangkat lunak yang telah distand-ardisasi sebagai media penulisan cetak biru .
perangkat lunak (Pressma.
UML bisa saja digunakan untuk visualisasi, spesifikasi, kontruksi dan dokumentasi beberapa bagian-bagian dari system yang ada dalam perangkat lunak.
Dalam kata lain, seperti halnya seorang arsitek dalam membuat dokumen cetak biru yang digunakan oleh perusahaan konstruksi untuk membangun sebuah bangunan, arsitek perangkat lunak membuat diagram-diagram UML untuk membantu programmer/ developer membangun perangkat lunak.
METODOLOGI
Kerangka Penelitian Cascading Style Sheets (CSS) Cascading Style Sheets (CSS) yaitu script yang digunakan untuk mengatur desain website.
Walaupun HTML mempunyai kemampuan untuk mengatur tampilan website, namun kemampuannya sangat terbatas.
Fungsi CSS adalah memberikan pengaturan yang lebih lengkap agar struktur website yang dibuat rapi dan indah .
menggunakan standar SQL.
SQL adalah Kueri Terstruktur Bahasa.
SQL telah distandarisasi untuk semua program DBMS .
Gambar 2.
Kerangka Penelitian Kerangka penelitian ini menjelaskan alur dan tahapan yang digunakan dalam membangun model prediksi tingkat kemiskinan di Kota Pekanbaru.
Penelitian ini memfokuskan pada variabelvariabel ekonomi makro yang berhubungan erat dengan tingkat Variabel-variabel independen yang digunakan meliputi inflasi, upah minimum, pertumbuhan ekonomi, dan pertumbuhan populasi.
Variabel-variabel ini dipilih berdasarkan studi sebelumnya yang menunjukkan relevansi mereka dalam mempengaruhi tingkat pengangguran.
Tingkat pengangguran sebagai variabel dependen akan diprediksi berdasarkan hubungan linier dari variabel-variabel tersebut.
Pengumpulan Data Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari berbagai sumber resmi, seperti Badan Pusat Statistik (BPS).
Kantor Pemerintah Daerah Kota Pekanbaru, dan lembaga ekonomi lainnya.
Data yang dikumpulkan mencakup data historis mengenai tingkat pengangguran, inflasi, upah minimum, pertumbuhan ekonomi, dan pertumbuhan populasi di Kota Pekanbaru selama 6 terakhir periode 2014 hingga 2024.
Data tersaji di tabel 3.
1 lalu data ini kemudian diolah lebih lanjut untuk analisis regresi.
MySQL MySQL adalah Sistem Manajemen Database sumber terbuka (DBMS) Program.
MySQL adalah program database yang dapat diakses melalui jaringan, sehingga dapat digunakan untuk beberapa pengguna.
Keuntungan lain dari MySQL adalah Jurnal Mahasiswa Aplikasi Teknologi Komputer dan Informasi Tabel 1.
Pengumpulan Data 3 Matriks Akhir dan Koefisien Regresi Matriks terakhir menampilkan bentuk:
Tabel 3.
Matriks Akhir dan Koefisien Regresi x3 x4 x5 Teknik Pengujian Setelah mendapatkan data mentah tadi, maka penulis melakukan pengolahan data.
Data-data tersebut penulis sesuaikan dengan kebutuhan.
Penulis melakukan perhitungan secara manual per tahun dilihat apakah semakin naik atau turun tingkat pengagguran serta variabel mana yang lebih berpengaruh terhadap tingkat pengangguran pada tahun tersebut, terlebih dahulu untuk melihat apakah perhitungan dengan metode Regresi Linier ini akan berhasil atau tidak.
Perhitungan Manual 1 Perhitungan Regresi Linear Model regresi linier diterapkan untuk memprediksi tingkat pengangguran di Kota Pekanbaru.
Model ini memanfaatkan hubungan antara variabel independen .
eperti inflasi, upah minimum, pertumbuhan ekonomi, dan pertumbuhan populas.
dengan variabel dependen .
ingkat penganggura.
Model dibangun dengan menggunakan dataset yang telah diproses, dan dilatih menggunakan metode split data untuk membagi dataset menjadi data latih dan data uji.
2 Proses Eliminasi Gauss Jordan Proses eliminasi Gauss-Jordan menggunakan rumus .
Fepada augmented matrix tersebut, dengan tujuan mengubahnya menjadi matriks identitas di bagian kiri agar koefisien regresi di bagian kanan bisa langsung dibaca.
Tahapan-tahapan eliminasi:
Membuat leading 1 pada baris pertama.
Menghilangkan nilai di bawah dan atas leading 1.
Dilanjutkan ke baris kedua, ketiga, dan seterusnya.
Hingga akhirnya diperoleh bentuk matriks identitas di sisi kiri.
Keterangan:
X1 = Inflasi X2 = Upah Minimum X3 = Pertumbuhan Ekonomi X4 = Pertumbuhan Populasi X5 = Faktor Usia .
Y = Pengangguran Tabel 2.
Nilai Variabel
2,997,972
983,182
21,904
9,767
2,997,971
994,582
22,208
9,102
3,049,675
1,005,658
22,463
3,191,023
1,016,366
22,495
7,989
3,451,584
1,141,829
46,674
4,902
Maka di dapatlah y=-60,57-0,01x2-247,23x2 0,04x3-0,042x4-0,24x5 Dari matriks tersebut diperoleh:
Y=Oe60,57-0,01x2-247,23x2 0,04x3-0,042x4-0,24x5 Keterangan:
Intercept .
: -60,57 Koefisien Pertumbuhan Ekonomi (X.
: -0,01 Koefisien Inflasi (X.
: -247,23 Koefisien Upah Minimum (X.
: 0,04 Koefisien Populasi (X.
: -0,042 Faktor Usia (X.
: 0,24 Model ini menunjukkan bahwa kenaikan inflasi (X.
memiliki pengaruh negatif yang signifikan terhadap tingkat pengangguran, artinya ketika inflasi meningkat, tingkat pengangguran cenderung menurun.
Sementara itu, upah minimum (X.
memiliki pengaruh positif meskipun relatif kecil terhadap tingkat pengangguran, yang menunjukkan bahwa kenaikan upah minimum sedikit meningkatkan tingkat Adapun faktor usia tidak memberikan pengaruh yang berarti sehingga diabaikan dalam model akhir.
HASIL DAN PEMBAHASAN
Analisis Perancangan Sistem Informasi Pada tahap awal penelitian ini, dilakukan proses analisis kebutuhan dan pengumpulan data yang relevan sebagai dasar dalam membangun sistem prediksi tingkat pengangguran berbasis web yang menyerupai portal berita resmi, seperti situs Badan Pusat Statistik (BPS).
Sistem ini tidak hanya bertujuan untuk menghitung dan memvisualisasikan tingkat pengangguran, tetapi juga menyajikannya dalam format yang informatif dan interaktif agar mudah dipahami oleh masyarakat umum, akademisi, peneliti, maupun pengambil kebijakan.
Use case Diagram Use Case bekerja dengan cara mendeskripsikan tipikal interaksi antar pengguna sebuah sistem dengan sistemnya sendiri melalui sebuah cerita bagaimanakah sebuah sistem dipakai.
Use case Diagram Pengunjung atau User Sinulingga.
Rancang Bangun Sistem Prediksi.
Gambar 5.
Activity Diagram Admin Melakukan Login Activity Diagram Pengunjung atau User Melihat Gambar 3.
Use case Diagram Pengunjung atau User Use Case Diagram admin Gambar 6.
Activity Diagram Pengunjung atau User Melihat Activity Diagram Admin Menambah Perhitungan Regresi Gambar 4.
Use case Diagram Admin Activity Diagram Activity Diagram menggambarkan berbagai alir aktifitas dalam system yang sedang dirancang, bagaimana masing-masing alir berawal, decision yang mungkin teejadi dan bagaimana proses proses tersebut selesai.
Berikut penggambaran Activity diagram dari beberapa proses:
Activity Diagram Admin Melakukan Login Gambar 7.
Activity Diagram Admin Menambah Perhitungan Regresi Jurnal Mahasiswa Aplikasi Teknologi Komputer dan Informasi Class Diagram Gambar 10.
Dashboard Gambar 8.
Class Diagram Sequence Diagram Sequence Diagram Pengunjung/User Melihat Perhitungan Gambar 11.
Login Gambar 9.
Sqeuence Diagram Perhitungan regresi Sequence Diagram Admin Menambah Data Perhitungan Gambar 12.
Form Hasil Regresi Linier Gambar 9.
Sqeuence Diagram Menambah Data Perhitungan Perancangan Antar Muka Perancangan sistem prediksi tingkat pengangguran ini mengacu pada hasil analisis kebutuhan yang telah dilakukan.
Sistem dirancang dengan fokus pada penggunaan metode regresi linier sebagai algoritma prediksi.
Hal ini bertujuan untuk memastikan bahwa pengguna dapat mengakses layanan prediksi kapan saja dan di mana saja, menggunakan perangkat apapun.
Dengan demikian, sistem ini diharapkan dapat memberikan solusi yang efektif dan efisien dalam memprediksi tingkat pengangguran di Kota Pekanbaru.
Gambar 13.
Form Hitung Regresi Analisis Keperluarn Sistem Analisis kebutuhan sistem digunakan untuk mempermudah menganalisis sebuah sistem yang dibutuhkan.
Terdapat tiga jenis kebutuhan sistem yang dibutuhkan Sinulingga.
Rancang Bangun Sistem Prediksi.
Hardware:
Dibutuhkan server dengan spesifikasi tinggi untuk menyimpan dan memproses data Perhitungan regresi secara realtime.
Spesifikasi yang direkomendasikan:
Processor: Intel Xeon / AMD Ryzen Server Grade RAM: Minimal 4GB Storage: SSD 256GB atau lebih Koneksi Internet: Minimal 10 Mbps Perangkat Pengguna:
Pengunjung: Smartphone dengan sistem operasi Android/iOS dan dukungan Browser dan Internet.
Admin: PC/Laptop dengan browser yang mendukung akses dashboard web.
Software PHP 7.
4 dengan framework CodeIgniter untuk mengelola logika bisnis dan pemrosesan data.
Aplikasi Web: CodeIgniter dikombinasikan dengan HTML.
CSS, dan JavaScript untuk tampilan antarmuka Database: MySQL untuk menyimpan data Perhitungan regresi dan user.
Tampilan Dashboard Perhitungan Gambar 16.
Tampilan Dashboard Perhitungan Tampilan Dashboard Perhitungan Admin Implementasi Sistem Login Gambar 17.
Tampilan Dashboard Perhitungan Admin Tampilan Input Data ke Dataset Gambar 14.
Login Web Berita Gambar 17.
Tampilan Input Data ke Dataset Pengujian Sistem Pengujian sistem dilakukan untuk membuktikan bahwa hasil implementasi sistem sudah berhasil dilakukan sesuai dengan yang sudah dirancang sebelumnya.
Pengujian yang akan dilakukan adalah black box testing.
Dimana pengujian ini berfokus pada tampilan interface dan fungsionalitasnya.
Gambar 15.
Web Berita Jurnal Mahasiswa Aplikasi Teknologi Komputer dan Informasi
KESIMPULAN DAN SARAN
N Kasus 1 Login Tabel 4.
Pengujian Sistem Admin Langkah Hasil yang Hasil Uji Diharapkan Mengisi Admin Admin da dapat lo kedalam Kesimpulan Ket Berhas 2 Lihat Memilih Dataset Tampil Berhas 3 Melihat Ke menu Menampilk Tampil Berhas perhitunga an hasil hasil perhitungan perhitung 5 Hapus Memilih Admin Dataset Berhas da dapat di il 6 Upload Masuk Admin Dataset Berhas berhasil di il N Kasus 1 Login Tabel 5.
Pengujian Sistem User Langkah Hasil yang Hasil Uji Diharapkan User dapat User Berhas masuk login berhasil 2 Lihat data Memilih Data Tampil Berhas dat dataset aset dapat 3 Melakuka Masuk Bisa Bisa Berhas Halaman menampilka menampil il perhitunga perhitunga n hasil kan hasil n regresi n perhitungan perhitung Mengisi Ket Berdasarkan hasil penelitian yang telah dilakukan mengenai penerapan metode regresi linier untuk memprediksi tingkat pengangguran di Kota Pekanbaru, maka dapat disimpulkan hal-hal sebagai berikut:
Penerapan Metode Regresi Linier:
Penelitian ini berhasil membangun model regresi linier yang dapat digunakan untuk memprediksi tingkat pengangguran berdasarkan variabel-variabel ekonomi makro seperti inflasi, upah minimum, pertumbuhan penduduk, kesenjangan pendidikan.
PDB, dan investasi.
Model yang dibangun menunjukkan adanya hubungan linier antara variabel independen dan tingkat pengangguran.
Pengolahan Analisis Data:
Data historis yang diperoleh dari sumber resmi telah melalui tahap pembersihan dan normalisasi sebelum digunakan dalam pelatihan model.
Hasil analisis menunjukkan bahwa beberapa variabel memiliki pengaruh signifikan terhadap tingkat pengangguran, yang ditunjukkan oleh nilai koefisien regresi dan tingkat signifikansi dari masing-masing variabel.
Evaluasi Model:
Model diuji menggunakan data uji untuk mengevaluasi Hasil evaluasi menunjukkan bahwa model mampu memberikan prediksi yang cukup akurat terhadap tingkat pengangguran, sehingga dapat digunakan sebagai alat bantu dalam pengambilan keputusan.
Manfaat Prediksi:
Hasil prediksi dari model ini dapat dimanfaatkan oleh pemerintah daerah dan pihak terkait sebagai dasar dalam merumuskan kebijakan ekonomi dan sosial, khususnya dalam upaya pengendalian tingkat pengangguran di Kota Pekanbaru.
Saran Berdasarkan hasil penelitian dan kesimpulan yang telah diperoleh, penulis memberikan beberapa saran sebagai berikut:
Pengembangan Model Lebih Lanjut:
Disarankan untuk mengembangkan model regresi linier menjadi model regresi yang lebih kompleks atau mencoba metode lain seperti regresi non-linier atau machine learning agar akurasi prediksi meningkat dan hasil yang diperoleh lebih Penambahan Variabel Independen:
Penelitian selanjutnya diharapkan dapat menambahkan variabel-variabel lain yang mungkin berpengaruh terhadap tingkat pengangguran, seperti tingkat partisipasi angkatan kerja, sektor industri dominan, atau kebijakan ketenagakerjaan lokal.
Perluasan Data Historis:
Semakin banyak data historis yang tersedia, semakin kuat dan stabil model prediksi yang dibangun.
Oleh karena itu, disarankan untuk memperluas jangkauan waktu data serta memastikan konsistensi dan kualitas data dari tahun ke tahun.
Pemanfaatan Hasil Prediksi dalam Kebijakan Publik:
Pemerintah daerah diharapkan dapat memanfaatkan hasil dari model prediksi ini sebagai pertimbangan dalam merancang kebijakan strategis yang proaktif untuk mengurangi tingkat pengangguran, seperti pelatihan kerja, insentif investasi, dan peningkatan kualitas pendidikan.
Sinulingga.
Rancang Bangun Sistem Prediksi.
Peningkatan Kualitas Data dan Sistem Informasi:
Untuk mendukung akurasi prediksi di masa depan, perlu adanya sistem informasi ketenagakerjaan dan ekonomi yang lebih terintegrasi dan real-time agar data yang digunakan dalam model selalu relevan dan mutakhir.
DAFTAR PUSTAKA