PERBANDINGAN METODE RANDOM FOREST DAN SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI STATUS PENGANGGURAN DI DINAS TENAGA KERJA KABUPATEN LABUHANBATU

AYU WIDASARI SIREGAR, NPM 2209100024 (2026) PERBANDINGAN METODE RANDOM FOREST DAN SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI STATUS PENGANGGURAN DI DINAS TENAGA KERJA KABUPATEN LABUHANBATU. Skripsi thesis, Universitas Labuhanbatu.

	Text COVER.pdf Download (760kB)
	Text BAB I.pdf Download (284kB)
	Text BAB II.pdf Download (425kB)
	Text BAB III.pdf Download (476kB)
	Text BAB IV.pdf Download (329kB)
	Text BAB V.pdf Download (140kB)
	Text DAFTAR PUSTAKA.pdf Download (175kB)
	Text LAMPIRAN.pdf Download (160kB)

Abstract

Perkembangan teknologi informasi, khususnya machine learning, telah mendorong transformasi dalam pengelolaan data dan pengambilan keputusan berbasis data di sektor publik. Salah satu permasalahan penting yang dihadapi pemerintah daerah adalah pengangguran, yang memiliki kompleksitas tinggi dan memerlukan pendekatan analisis yang lebih adaptif. Penelitian ini bertujuan untuk membandingkan performa algoritma Random Forest dan Support Vector Machine (SVM) dalam mengklasifikasikan status pengangguran di Dinas Tenaga Kerja Kabupaten Labuhanbatu. Data yang digunakan dalam penelitian ini merupakan data ketenagakerjaan yang mencakup variabel seperti usia, tingkat pendidikan, pengalaman kerja, jenis kelamin, dan status pekerjaan. Tahapan penelitian meliputi data preprocessing (pembersihan data, penanganan missing value, normalisasi, dan transformasi data), feature selection, serta pembagian data menjadi data latih dan data uji. Implementasi model dilakukan menggunakan bahasa pemrograman Python dengan pustaka Scikit-learn. Evaluasi kinerja model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki performa yang lebih unggul dalam hal akurasi dan kestabilan dibandingkan dengan SVM, terutama dalam menangani data yang heterogen dan tidak seimbang. Selain itu, Random Forest lebih mudah diinterpretasikan melalui analisis feature importance. Di sisi lain, SVM menunjukkan performa yang kompetitif pada kondisi data yang terstruktur dengan baik, namun memerlukan proses parameter tuning yang lebih kompleks. Penelitian ini memberikan rekomendasi bahwa Random Forest lebih sesuai digunakan sebagai model prediktif dalam klasifikasi status pengangguran di Kabupaten Labuhanbatu. Hasil penelitian ini diharapkan dapat menjadi dasar bagi Dinas Tenaga Kerja dalam mengembangkan sistem pendukung keputusan berbasis data untuk meningkatkan efektivitas program penanggulangan pengangguran. Kata Kunci : Machine Learning, Random Forest, Support Vector Machine, Klasifikasi, Pengangguran, Data Ketenagakerjaan

Item Type:	Thesis (Skripsi)
Uncontrolled Keywords:	Machine Learning, Random Forest, Support Vector Machine, Klasifikasi, Pengangguran, Data Ketenagakerjaan
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Fakultas Sains Dan Teknologi > Sistem Informasi
Depositing User:	Unnamed user with email repository@ulb.ac.id
Date Deposited:	27 Apr 2026 08:49
Last Modified:	27 Apr 2026 08:49
URI:	http://repository.ulb.ac.id/id/eprint/2172

Actions (login required)

View Item