PERAMALAN TINGKAT PENGANGGURAN DI INDONESIA MENGGUNAKAN METODE TIME SERIES DENGAN MODEL ARIMA DAN HOLT-WINTERS

Agus Sulaiman; Asep Juarna

doi:10.35760/ik.2021.v26i1.3512

PERAMALAN TINGKAT PENGANGGURAN DI INDONESIA MENGGUNAKAN METODE TIME SERIES DENGAN MODEL ARIMA DAN HOLT-WINTERS

Agus Sulaiman
Fakultas Ilmu Komputer, Universitas Gunadarma
Indonesia

Asep Juarna
Fakultas Ilmu Komputer, Universitas Gunadarma
Indonesia

DOI: http://dx.doi.org/10.35760/ik.2021.v26i1.3512

Abstract

Beberapa penyebab terjadinya pengangguran di Indonesia ialah, tingkat urbanisasi, tingkat industrialisasi, proporsi angkatan kerja SLTA dan upah minimum provinsi. Faktor-faktor tersebut turut serta mempengaruhi persentase data terkait tingkat pengangguran menjadi sedikit fluktuatif. Berdasarkan pergerakan persentase data tersebut, diperlukan sebuah prediksi untuk mengetahui persentase tingkat pengangguran di masa depan dengan menggunakan konsep peramalan. Pada penelitian ini, peneliti melakukan analisis peramalan time series menggunakan metode Box-Jenkins dengan model Autoregressive Integrated Moving Average (ARIMA) dan metode Exponential Smoothing dengan model Holt-Winters. Pada penelitian ini, peramalan dilakukan dengan menggunakan dataset tingkat pengangguran dari tahun 2005 hingga 2019 per 6 bulan antara Februari hingga Agustus. Peneliti akan melihat evaluasi Range Mean Square Error (RMSE) dan Mean Square Error (MSE) terkecil dari setiap model time series. Berdasarkan hasil penelitian, ARIMA(0,1,12) menjadi model yang terbaik untuk metode Box-Jenkins sedangkan Holt-Winters dengan alpha(mean) = 0.3 dan beta(trend) = 0.4 menjadi yang terbaik pada metode Exponential Smoothing. Pemilihan model terbaik dilanjutkan dengan perbandingan nilai akurasi RMSE dan MSE. Pada model ARIMA(0,1,12) nilai RMSE = 1.01 dan MSE = 1.0201, sedangkan model Holt-Winters menghasilkan nilai RMSE = 0.45 dan MSE = 0.2025. Berdasarkan data tersebut terpilih model Holt-Winters sebagai model terbaik untuk peramalan data tingkat pengangguran di Indonesia.

Keywords

ARIMA; Holt-Winters; Pengangguran; Peramalan; Time Series

References

E. A. R. Puspadjuita, “Factors that Influence the Rate of Unemployment in Indonesia,” Int. J. Econ. Financ., vol. 10, no. 1, p. 140, 2017.

Badan Pusat Statistik, “Tingkat Pengangguran Terbuka (TPT) Menurut Provinsi, 1986 -2019”, Badan Pusat Statistik, 2020. [Online]. Available : https://www.bps.go.id/dynamictable/2020/02/19/1774/tingkat-pengangguran-terbuka-tpt-menurut-provinsi-1986---2019.html. [Accessed: Oct. 08, 2020]

I. R. Akolo, “Perbandingan Exponential Smoothing Holt-Winters Dan Arima Pada Peramalan Produksi Padi Di Provinsi Gorontalo,” J. Technopreneur, vol. 7, no. 1, pp. 20–26, 2019.

D. Didiharyono and M. Syukri, “Forecasting with arima model in anticipating open unemployment rates in south sulawesi,” Int. J. Sci. Technol. Res., vol. 9, no. 3, pp. 3838–3841, 2020.

S. F. Ramli, M. Fidaus, H. Uzair, M. Khairi, and A. Zharif, “Prediction of the Unemployment Rate in Malaysia,” Int. J. Mod. Trends Soc. Sci., vol. 1, no. 4, pp. 38–44, 2018.

N. Dritsakis and P. Klazoglou, “Forecasting Unemployment Rates in USA Using Box-Jenkins Methodology,” Int. J. Econ. Financ. Issues, vol. 8, no. 1, pp. 9–20, 2018.

F. Al, R. Idress, and A. Sameeh, “Prediction the daily number of confirmed cases of covid-19 in Sudan with arima and holt winter exponential smoothing PREDICTION THE DAILY NUMBER OF CONFIRMED CASES OF COVID-19 IN SUDAN WITH ARIMA,” no. August, 2020.

K. Dumi, Č. Č. Anita, and B. Žmuk, “Forecasting Unemployment Rate in Selected European Countries Using Smoothing Methods,” Int. J. Soc. Behav. Educ. Econ. Bus. Ind. Eng., vol. 9, no. 4, pp. 1073–1078, 2015.

N. Sopipan, “Forecasting Rainfall in Thailand : A Case Study of Nakhon Ratchasima Province,” vol. 8, no. 11, pp. 712–716, 2014.

N. Vijayakumar, “A Comparative Analysis of Forecasting Reservoir Inflow using ARMA Model & Holt Winters Exponential Smoothening Technique,” Int. J. Innov. Sci. Math. Educ., vol. 4, no. May 2016, pp. 85–90, 2017.

V. Papastefanopoulos, P. Linardatos, and S. Kotsiantis, “COVID-19: A comparison of time series methods to forecast percentage of active cases per population,” Appl. Sci., vol. 10, no. 11, pp. 1–15, 2020.

A. D. Syafei, N. Ramadhan, J. Hermana, A. Slamet, R. Boedisantoso, and A. F. Assomadi, “Application of exponential smoothing holt winter and ARIMA models for predicting air pollutant concentrations,” EnvironmentAsia, vol. 11, no. 3, pp. 251–262, 2018.

D. Bissing, M. T. Klein, R. A. Chinnathambi, D. F. Selvaraj, and P. Ranganathan, “A Hybrid Regression Model for Day-Ahead Energy Price Forecasting,” IEEE Access, vol. 7, no. March, pp. 36833–36842, 2019.

S. W. Gikungu, “Forecasting Inflation Rate in Kenya Using SARIMA Model,” Am. J. Theor. Appl. Stat., vol. 4, no. 1, p. 15, 2015.