Analisis Peramalan Tingkat Pengangguran Terbuka di Jawa Barat: Pendekatan Time Series menggunakan Metode ARIMA

Authors

  • Adi Pangestu STMIK IKMI Cirebon
  • Ade Irma Purnamasari STMIK IKMI Cirebon
  • Irfan Ali STMIK IKMI Cirebon

DOI:

https://doi.org/10.35960/ikomti.v5i1.1298

Keywords:

Peramalan, Model Arima (1,0,0), Wilayah Jawa Barat, Tingkat Pengangguran

Abstract

Tingkat pengangguran menjadi indikator penting dalam mengukur stabilitas ekonomi suatu daerah. Penelitian ini membahas tentang analisis model dan peramalan tingkat pengangguran terbuka di Wilayah Jawa Barat menggunakan metode ARIMA (Autoregressive Integrated Moving Average). Penelitian ini menggunakan data deret waktu (time-series) 6 bulanan tingkat pengangguran terbuka dari tahun 2007 hingga 2023 yang bersumber dari Badan Pusat Statistik, Opendatajabar dan Dinas Ketenagakerjaan Provinsi Jawa Barat. Analisis dimulai dengan identifikasi model ARIMA, estimasi parameter, cek diagnostik, evaluasi model dan peramalan. Peramalan dilakukan untuk 3 tahun ke depan (2024 - 2026). Model ARIMA(1,0,0) dipilih berdasarkan evaluasi parameter seperti Root Mean Squared Error(RMSE), Mean Absolute Error(MAE) dan Mean Abs Percent Error(MAPE). Hasil peramalan menunjukkan peningkatan tingkat pengangguran pada Februari 2024 7,92% menjadi 8,40% pada Agustus 2026. Hasil menunjukkan pola tren naik yang berkelanjutan. Peningkatan tingkat pengangguran di Wilayah Jawa Barat dipengaruhi oleh faktor kebijakan ekonomi, struktur industri, dinamika teknologi, dan pendidikan. Peran pemerintah dalam menciptakan lapangan kerja, reformasi pendidikan, dan kebijakan investasi menjadi krusial dalam menanggulangi masalah ini. Penelitian ini memberikan kontribusi dalam pemahaman dan peramalan tingkat pengangguran terbuka di Wilayah Jawa Barat. Model ARIMA(1,0,0) dapat digunakan sebagai alat yang efektif untuk meramalkan perubahan tingkat pengangguran di masa mendatang. Oleh karena itu, perumusan kebijakan yang mendukung pertumbuhan ekonomi dan penciptaan lapangan kerja diperlukan untuk mengatasi tantangan ini.

References

C. Lessman, “Decentralization and RegionalDisparity: A Panel data approachfor OECD countries. IFO WorkingPapers.,” 2006. [Online]. Available: http://www.cesifo- group.de/portal/pls/portal.docs/1/1197172.PD F

“Badan Pusat Statistik.,” Kota Sibolga dalam Angka 2020., 2020.

https://sibolgakota.bps.go.id/publication/2020

/05/20/ec04ba3c29ca07a4781028a5/kota- sibolga-dalam-angka-2020.html

A. Sulaiman and A. Juarna, “Peramalan Tingkat Pengangguran Di Indonesia Menggunakan Metode Time Series Dengan Model Arima Dan Holt-Winters,” J. Ilm. Inform. Komput., vol. 26, no. 1, pp. 13–28, 2021, doi: 10.35760/ik 2021.v26i1.3512.

D. dkk Adhitya, “KONDISI TINGKAT PENGANGGURAN DI INDONESIA PADA MASA PANDEMI COVID-19 : STUDI KASUS DENGAN JIMEA | Jurnal Ilmiah MEA ( Manajemen , Ekonomi , dan Akuntansi

),” J. Ilm. MEA (Manajemen, Ekon. dan Akuntansi), vol. 5, no. 2, pp. 1665–1678, 2021.

C. Amin, A. Husen, U. Khairun, and U. Khairun, “Forecasting Tingkat Pengangguran”. vol. VII, no. 2, pp. 27–38, 2019.

L. S. Peramalan et al., “Peramalan Teknologi”.

A. H. Nasution, Perencanaan dan Pengendalian Produksi/Arman Hakim Nasution. Jakarta: Gema Widya, 1999.

A. T. Dani, M. Fauziyah, and H. Sandariria, “Forecasting The Search Trends of The Keyword ‘Sarung Wadimor’ In Indonesia on Google Trends Data Using Time Series Regression with Calender Variation and Arima Box-Jenkins,” J. Mat. Stat. dan Komputasi, vol. 19, no. 3, pp. 447–459, 2023, doi: 10.20956/j.v19i3.24551.

A. Iriawan N dan S.P, Mengolah Data Statistik dengan Mudah MINITAB 14. yogyakarta: Andi. Suyono. 2005. Diktat Mata Kuliah Analisis Runtun Waktu. Jurusan matematika FMIPA UNJ: Jakarta., 2006.

A. . Bowerman, B.L., O’Connell, R.T., dan Koehler, Forecasting, Time Series, And Regression., Edisi Keem. USA: Duxbury., 2005.

“A R I M A ( METODE BOX JENKINS ) Pengertian”.

F. Teknik, D. A. N. Komputer, P. Studi, T. Informatika, and U. P. Batam, “DATA MINING MEMPREDIKSI JUMLAH PENJUALAN TIKET MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE DATA MINING MEMPREDIKSI JUMLAH PENJUALAN TIKET MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING,” 2019.

T. Hendrickx, B. Cule, P. Meysman, S. Naulaerts, K. Laukens, and B. Goethals, “Mining association rules in graphs based on frequent cohesive itemsets,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 9078, no. 3, pp. 637–648, 2015, doi: 10.1007/978-3-319-18032-8_50.

F. Alghifari and D. Juardi, “Penerapan Data Mining Pada Penjualan Makanan Dan Minuman Menggunakan Metode Algoritma Naïve Bayes,” J. Ilm. Inform., vol. 9, no. 02, pp. 75–81, 2021, doi: 10.33884/jif.v9i02.3755.

Akilan, “Text mining: Challenges and future directions,” 2nd Int. Conf. Electron. Commun. Syst. ICECS, 2015.

Published

28-02-2024

How to Cite

[1]
Adi Pangestu, Ade Irma Purnamasari, and Irfan Ali, “Analisis Peramalan Tingkat Pengangguran Terbuka di Jawa Barat: Pendekatan Time Series menggunakan Metode ARIMA”, IKOMTI, vol. 5, no. 1, Feb. 2024.