Estimasi Pertumbuhan Penduduk Jawa Barat Menggunakan Metode Regresi Linear Berganda
on
Jurnal Elektronik Ilmu Komputer Udayana
Volume 12, No 3. Februari 2024
p-ISSN: 2301-5373
e-ISSN: 2654-5101
Estimasi Pertumbuhan Penduduk Jawa Barat Menggunakan Metode Regresi Linear Berganda
Opianaa1, Nana Suarnaa2, Willy Prihartonob3
aProgram Studi Teknik Informatika, STMIK IKMI Cirebon
Jl. Perjuangan No. 10 B Majasem Kec. Kesambi Kota Cirebon Jawa Barat 1vanopiana@gmail.com 2st_nana@yahoo. com
bProgram Studi Komputerisasi Akuntansi, STMIK IKMI Cirebon Jl. Perjuangan No. 10 B Majasem Kec. Kesambi Kota Cirebon Jawa Barat 3willyprihartono@gmail.com
Abstract
Pertumbuhan penduduk merupakan besaran persentase perubahan jumlah penduduk di suatu wilayah dengan waktu tertentu yang dibandingkan dengan jumlah penduduk pada waktu sebelumnya. Permasalahan yang terjadi saat ini adalah pertumbuhan penduduk yang kian meningkat dari waktu ke waktu, sehingga lembaga sensus sering mengalami kesulitan dalam mengestimasi laju pertumbuhan penduduk tiap tahunnya. Penelitian ini bertujuan untuk mengetahui penerapan data mining dengan metode regresi linear berganda untuk mengestimasi laju pertumbuhan penduduk di Provinsi Jawa Barat. Tahapan yang dilakukan menggunakan proses KDD (Knowledge Discovery in Database) yaitu dengan melakukan seleksi data, pra-Proses data, transformasi data, data mining, dan yang terakhir interpretasi dan evaluasi yang akan menghasilkan output berupa pengetahuan baru yang dapat memberikan kontribusi yang lebih baik. Hasil prediksi pertumbuhan penduduk di Jawa Barat pada tahun 2023 sebanyak 50.074 juta jiwa atau naik 1.49% dari tahun sebelumnya, pada tahun 2024 sebanyak 50.811 juta jiwa memiliki kenaikan sebesar 1.47% dari tahun sebelumnya. Maka penggunaan metode regresi linear berganda dapat dijadikan referensi dalam estimasi pertumbuhan penduduk di Jawa Barat.
Keywords: Pertumbuhan Penduduk, Data Mining , Regresi Linear Berganda
Penduduk ialah sekumpulan warga yang tinggal di wilayah tertentu untuk menetap dengan kebutuhan yang berlaku[1]. Salah satu indikator penting untuk mengukur perkembangan suatu wilayah adalah dari pertumbuhan penduduknya. Pertumbuhan penduduk merupakan besaran persentase jumlah penduduk di suatu wilayah dengan waktu tertentu yang dibandingkan dengan jumlah penduduk pada waktu sebelumnya[2]. Permasalahan yang selama ini terjadi adalah pertumbuhan penduduk yang kian meningkat dari waktu ke waktu[3]. Sehingga, lembaga sensus sering mengalami kendala dalam mengestimasi laju pertumbuhan penduduk tiap tahunnya.
Penelitian sebelumnya yang dilakukan Putri Ardiyanti berjudul “Penerapan Data Mining Untuk Mengestimasi Laju Pertumbuhan Penduduk Denpasar Menggunakan Metode Regresi Linear Berganda” dalam mengaplikasian metode regresi linear berganda dalam mengestimasi laju pertumbuhan penduduk berhasil menerapkan metode regresi linear berganda untuk memprediksi laju pertumbuhan penduduk di Kota Denpasar dengan mendapatkan hasil bahwa penduduk Denpasar akan mengalami peningkatan pertumbuhan penduduk sebesar 7,5 % pada tahun 2023 dan 12,25% pada tahun 2024[4].
Penelitian kedua yang dilakukan Purwadi dalam penelitian yang berjudul “Penerapan Data Mining Untuk Mengestimasi Laju Pertumbuhan Penduduk Menggunakan Metode Regresi Linear Berganda Pada BPS Deli Serdang” berhasil mengestimasi pertumbuhan penduduk pada Kabupaten Deli Serdang periode tahun 2018 telah terjadi penambahan penduduk sebanyak 66.243 jiwa dari tahun sebelumnya, ,dengan menggunakan metode regresi linear berganda ditemukan pola yang berkaitan erat antara atribut jumlah laki-laki dan jumlah perempuan terhadap laju pertumbuhan penduduk[2].
Berdasarkan penelitian yang telah dilakukan oleh peneliti sebelumnya yang telah berhasil menerapkan data mining dengan metode regresi linear berganda di daerah lain. Maka, Penelitian ini akan mengestimasi laju Pertumbuhan penduduk di Provinsi Jawa Barat untuk melihat tingkat akurasi dan validitas estimasi laju pertumbuhan penduduk menggunakan pendekatan data mining dengan metode regresi linear berganda. Tujuan melakukan penelitian ini mengetahui penerapan data mining dengan menggunakan metode regresi linear berganda untuk menghasilkan estimasi laju pertumbuhan penduduk di Provinsi Jawa Barat dengan akurat. Selain itu, penelitian ini memiliki tujuan untuk memberikan kontribusi dalam pengembangan model prediksi yang lebih akurat dalam estimasi laju pertumbuhan penduduk.
Metode yang digunakan dalam penelitian ini adalah metode regresi linear berganda. Regresi linear merupakan salah satu cara prediksi menggunakan garis lurus untuk menggambarkan hubungan diantara dua variabel atau lebih[2]. Penggunaan data mining dengan metode regresi linear berganda dapat membantu dalam mengidentifikasi hubungan antar berbagai faktor yang mempengaruhi pertumbuhan penduduk. Tahapan yang dilakukan menggunakan proses KDD (Knowledge Discovery in Database) yaitu dengan melakukan seleksi data, pra-proses data, transformasi data, data mining, dan yang terakhir interpretasi serta evaluasi yang akan menghasilkan output berupa pengetahuan baru yang dapat memberikan kontribusi lebih baik[5].
Penelitian ini menggunakan metode kuantitatif. Metode penelitian kuantitatif digunakan untuk mengumpulkan data secara sistematis dan mengukur hubungan antar variabel. Pendekatan kuantitatif dianggap efektif dalam memberikan gambaran yang objektif dan dapat diukur terhadap laju pertumbuhan penduduk. Tahapan yang dilakukan selama penelitian ditampilkan dalam figure 1.
Figure 1. Tahapan Metode penelitian
Penelitian ini menggunakan data sekunder, data sekunder merupakan informasi atau data yang telah dikumpulkan, diolah atau dipublikasikan oleh pihak lain atau lembaga tertentu sebelumnya dengan tujuan yang berbeda dan kemudian digunakan kembali dalam penelitian atau analisis terbaru. Adapun data ini diperoleh dari data publik yang bersumber dari Open Data Jabar https://opendata.jabarprov.go.id/id/dataset/jumlah-penduduk-berdasarkan-jenis-kelamin-dan-kabupatenkota-di-jawa-barat.
Tahapan analisis data dilakukan dengan metode Knowledge Discovery in Databases (KDD) melibatkan serangkaian langkah sistematis untuk mengekstrak pengetahuan dari data. Berikut tahapan-tahapan dalam analisis data dengan metode KDD ditampilkan dalam figure 2.
Figure 2. Tahapan Proses KDD
-
a. Selection
Seleksi data melibatkan pemilihan dataset dan variabel-variabel yang akan menjadi fokus untuk di analisis. Pemilihan data yang relevan bertujuan untuk memastikan bahwa dataset yang
dipilih tidak hanya sesuai kebutuhan penelitian, tapi juga memiliki potensi untuk menghasilkan informasi berharga.
-
b. Preprocessing
Tahapan pra pemrosesan data melibatkan rangkaian kegiatan yang bertujuan untuk membersihkan dan merapikan data. Proses ini mencakup penanganan nilai yang hilang, deteksi outlier, normalisasi data, dan kegiatan pra pemrosesan data lainnya. Tujuan utama dari tahapan ini adalah untuk mempersiapkan data dengan cermat dan teliti agar memastikan kualitas dan kebersihan data yang memadai untuk analisis lebih lanjut. Dengan mengatasi nilai yang hilang, mendeteksi anomali, dan normalisasi data, tahapan pra pemrosesan ini bertujuan untuk mengoptimalkan integritas data, sehingga hasil analisis yang dihasilkan dapat diandalkan dan memberikan wawasan yang mendalam.
-
c. Transformation
Pengubahan data menjadi bentuk yang sesuai atau bermanfaat untuk analisis merupakan suatu proses yang melibatkan sejumlah tindakan, seperti pemfilteran variabel, pembentukan variabel baru, atau konversi format data. Proses ini bertujuan untuk mengoptimalkan data agar dapat diandalkan dalam analisis lebih lanjut.
-
d. Data Mining
Metode regresi linear berganda digunakan untuk menguji pengaruh lebih dari satu variabel independen terhadap variabel dependen. Bentuk persamaan untuk regresi linear berganda didefinisikan dengan rumus berikut[6]:
Y = a + b1X1+b2X2+ -+bnXn (1)
Keterangan:
Y = Variabel tak bebas (nilai variabel yang akan diprediksi)
a = Konstanta
b_1,b_2,—,b_n = Nilai koefisien regresi
X_1,X_2,-,X_2 = Variabel bebas
Penelitian ini menggunakan 2 variabel bebas, yaitu X1 dan X2, maka bentuk persamaan regresinya adalah persamaan (2):
γ = a + b1χ1 + b2χ2 (2)
Dalam penelitian ini jumlah penduduk didefinisikan sebagai Y atau variabel dependen, penduduk laki-laki dan penduduk di definiskan sebagai X1 dan X2 yaitu sebagai variabel independen. Sehingga apabila dirumuskan maka menjadi persamaan (3):
Jumlah Penduduk = a + b1.. Penduduk laki — laki + b2.Penduduk Perempuan (3)
-
e. Evaluation
Proses evaluasi, sebagai tahap integral dalam KDD, mencakup penilaian mendalam terhadap kualitas hasil dari data mining yang telah dilakukan. Fokus utama evaluasi adalah memastikan bahwa model atau pola yang diidentifikasi melalui data mining dapat dianggap sebagai hasil yang dapat diandalkan dan dapat diimplementasikan secara praktis dalam konteks aplikatif. Selain itu, evaluasi ini juga bertujuan untuk memverifikasi bahwa temuan yang dihasilkan sesuai dengan tujuan penelitian yang telah ditetapkan sebelumnya. Oleh sebab itu, untuk mengevaluasi model regresi linear dalam estimasi laju pertumbuhan penduduk digunakan evaluasi metrik Root Mean Squared Error (RMSE) dan R-Squared (R2).
RMSE (Root Mean Square Error adalah akar kuadrat dari Mean Squared Error (MSE) yang dihasilkan. RMSE digunakan karena untuk mengukur seberapa baik model dapat memprediksi nilai respons jumlah penduduk (variabel dependen) berdasarkan Jumlah penduduk laki-laki dan jumlah penduduk perempuan (variabel independen). RMSE mengukur seberapa dekat prediksi model dengan nilai yang sebenarnya[7]. Semakin kecil nilai yang dihasilkan semakin bagus pula hasil yang dihasilkan. Secara sederhana, RMSE merupakan metode untuk menghitung bias dalam model peramalan[8].
Adapun rumus RMSE yang digunakan dirampilkan pada persamaan (4):
∖∑^1(rt-rt)2
RMSE = t^1k ----—
n
(4)
Keterangan:
n = Jumlah Sampel Dalam Data
Yt = Nilai Aktual
Y’t = Nilai Prediksi
Hasil penelitian yang dilakukan dalam pembahasan ini akan menguraikan proses bagaimana estimasi pertumbuhan penduduk di Jawa Barat dengan menggunakan regresi linear berganda.
Data yang digunakan dalam penelitian ini adalah dataset sebanyak 540 record dan terdiri 9 atribut, dengan rentang waktu data dari tahun 2013 sampai dengan 2022. Dataset bersumber dari Repository Open Data Jabar dengan situs https://opendata.jabarprov.go.id. Hasil penelusuran didapatkan data jumlah penduduk berdasarkan kabupaten kota dalam bentuk dokumen soft file format Microsoft Excel. Seperti disajikan pada tampilan tabel 1 berikut ini: (Dataset hanya disajikan sebanyak 10 record, dari dataset keseluruhan yang berjumlah sebanyak 540 record).
Table 1. Data Jumlah Penduduk Jawa Barat
|
kode ^^^^^ provi nsi |
nama_p rovinsi |
kode_k abupate n kota |
nama_kabupaten _kota ^^^^^~ |
jenis_kelamin |
jumlah_p enduduk |
satua n |
Tahun | |
|
1 |
32 |
JAWA BARAT |
3201 |
KABUPATEN BOGOR |
LAKI-LAKI |
1930902 |
JIWA |
2013 |
|
2 |
32 |
JAWA BARAT |
3201 |
KABUPATEN BOGOR |
PEREMPUAN |
1826962 |
JIWA |
2013 |
|
3 |
32 |
JAWA BARAT |
3202 |
KABUPATEN SUKABUMI |
LAKI-LAKI |
1258939 |
JIWA |
2013 |
|
4 |
32 |
JAWA BARAT |
3202 |
KABUPATEN SUKABUMI |
PEREMPUAN |
1171101 |
JIWA |
2013 |
|
5 |
32 |
JAWA BARAT |
3203 |
KABUPATEN CIANJUR |
LAKI-LAKI |
1154944 |
JIWA |
2013 |
|
5…36 |
3…2 |
JA…WA BARAT |
32…77 |
KOTA …CIMAHI |
PEREM…PUAN |
281…882 |
JIW…A |
20…22 |
|
537 |
32 |
JAWA BARAT |
3278 |
KOTA TASIKMALAYA |
LAKI-LAKI |
379050 |
JIWA |
2022 |
|
538 |
32 |
JAWA BARAT |
3278 |
KOTA TASIKMALAYA |
PEREMPUAN |
367660 |
JIWA |
2022 |
|
539 |
32 |
JAWA BARAT |
3279 |
KOTA BANJAR |
LAKI-LAKI |
104346 |
JIWA |
2022 |
|
540 |
32 |
JAWA BARAT |
3279 |
KOTA BANJAR |
PEREMPUAN |
102884 |
JIWA |
-
3.2. Data Selection
Data yang dipilih pada penelitian ini adalah data jumlah penduduk Jawa Barat dari tahun 2013 sampai 2022. Data ini merupakan data publik, dan memiliki 540 record dan 9 Atribut. Hasil selection dari dataset yang tidak digunakan adalah 5 atribut sehingga hanya akan menggunakan 4 atribut yaitu nama kabupaten kota, jenis kelamin, jumlah penduduk dan tahun. Karena 5 atribut yang tidak digunakan memiliki record data yang sama pada masing-masing atributnya. Atribut sebelum di seleksi ditampilkan pada tabel 2.
|
Jurnal Elektronik Ilmu Komputer Udayana Volume 12, No 3. Februari 2024 |
p-ISSN: 2301-5373 e-ISSN: 2654-5101 | ||
|
Table 2. Sebelum Seleksi Atribut | |||
|
No |
Nama Atribut |
Data Type | |
|
1 |
Id |
integer | |
|
2 |
kode_provinsi |
integer | |
|
3 |
nama_provinsi |
object | |
|
4 |
kode_kabupaten_kota |
integer | |
|
5 |
nama_kabupaten_kota |
object | |
|
6 |
jenis_kelamin |
object | |
|
7 |
jumlah_penduduk |
integer | |
|
8 |
Satuan |
object | |
|
9 |
Tahun |
integer | |
Tabel 2 merupakan tabel yang berisi nama atribut beserta tipe datanya sebelum diseleksi. Kemudian atribut yang digunakan untuk penelitian ini setelah hasil diseleksi akan menggunakan 4 atribut seperti ditampilkan pada tabel 3 berikut.
Table 3. Hasil Setelah Seleksi Atribut
|
no |
Nama Atribut |
Data Type |
|
1 |
Nama_kabupaten_kota |
object |
|
2 |
Jenis_kelamin |
object |
|
3 |
Jumlah_penduduk |
integer |
|
4 |
tahun |
integer |
-
3.3. Data Mining
Pada tahapan data mining dilakukan proses perhitungan dengan menggunakan model regresi linear berganda. Model regresi dibuat menggunakan model linear regression dari scikit-learn model. Model ini dilatih dan diuji menggunakan data training sebesar 70% dan data testing sebesar 30%. Model juga di evaluasi menggunakan evaluasi metrik root mean squared error (rmse), dan r-squared (r2).
Tahap pertama dilakukan pendefinisian atribut penduduk laki-laki dan atribut penduduk perempuan sebagai nilai x (variabel independen) dan jumlah penduduk didefinisakan sebagai nilai y (variabel dependen) untuk digunakan dalam analisis atau pemodelan regresi linear berganda. Setelah variabel didefinisikan selanjutnya data dibagi menjadi 2 bagian yaitu training set dan test set. Dengan menggunakan fungsi ‘train_test_split’ dari scikit learn. Setelah dilakukan split data selanjutnya proses pembuatan model regresi linear dengan menggunakan library scikit-learn dan melatihnya dengan data training. Model yang telah dibuat digunakan untuk membuat prediksi pada data baru dan untuk mengevaluasi kinerja model pada data test.
≡ ’ LinearRegression
i LinearRegression()i
Figure 3. Model Regresi Linear
Pada Figure 3 menunjukan bahwa model regresi linear berhasil dibuat. Setelah model berhasil dibuat selanjutnya dilakukan prediksi dengan menggunakan model regresi linear yang telah dilatih pada data x_test. Hasil prediksi nantinya digunakan untuk dibandingkan dengan nilai aktual untuk mengevaluasi kinerja model. Hasil prediksi model ditampilkan pada figure 4.
β [1114.08246239 3535.91175116 2451.95432232 3583.90334567 1219.06986152
2360.97570842 2271.98282404 248Θ.95066957 1021.08390535 2430.03079491
1827.03047755 1240.05486343 1139.07313697 531.1205712 1824.02571991
1253.05065824 2340.99363409 1184.07204924 2218.04410378 1114.07441213
1573.02749357 1592.05292932 2177.03275109 521.12148377 2509.95909222
2509.97318018 1712.03996587 165Θ.04562383 720.11036753 2401.98102341
2517.00172358 2383.99474144 2544.9387914 726.10981999 1324.05122295
1199.07168666 1260.06511368 1845.0127344 5326.80365474 2447.96273761
1851.00011146 3491.97413089 204.14538095 1596.02237581 2467.9468245
1113.08959763 349.13315491 695.11365525 2371.00498433 1893.00030378
206.14519843 2500.94683186 1804.02955763 1278.05944592 2210.06294693
512.1273365 2513.99092824 2611.95984679 376.12968468 429.12585432
2060.00619574 1797.03120271 2075.01187085 4357.8890643 197.14702603
1642.05842928 1315.05506311 2323.97807866 337.13425 1733.03905575
333.13662759 2332.98027619 2640.95619405 437.12512426 1840.0061467
1674.04142108 3524.92784923 2364.98138108 1187.06473149 2411.96803544
2056.04681208 1132.07276949 1781.03467539 1165.06673915 2758.96957646
978.09487339 2527.94134906 713.11000005 1098.08392251 1137.07935719]
Figure 4. Hasil Prediksi Model Regresi Linear
Figure 4 merupakan hasil prediksi menggunakan model regresi dari data testing (x_test) yang merupakan data latih dari atribut penduduk laki-laki dan penduduk perempuan. Hasil ini nantinya akan dibandingkan dengan nilai data aktual untuk mengevaluasi kinerja model.
Root Mean Squared Error (RMSE) adalah metrik yang digunakan untuk mengukur seberapa baik model regresi dapat memprediksi nilai target jumlah penduduk pada dataset pengujian. RMSE dihitung sebagai akar kuadrat dari Mean Squared Error (MSE). Nilai RMSE yang didapatkan sekitar 0.4685 dalam satuan yang sama dengan variabel dependen menunjukan bahwa sebaran kesalahan relatif kecil. Hasil nilai RMSE adalah 0.4685329901519414. Semakin kecil nilai RMSE, semakin baik kinerja model regresi. Oleh karena itu, nilai 0.4685329901519414 menunjukkan bahwa model regresi memiliki tingkat kesalahan yang relatif rendah dalam memprediksi nilai target pada dataset pengujian. Disimpulkan bahwa model memiliki kemampuan yang baik dalam melakukan prediksi pada data yang tidak terlihat sebelumnya. Ditampilkan pada figure 5.
S Root Mean Squared Error/RMSE = 0.4685329901519414
Figure 5. Hasil RMSE
R-squared (R²) dikenal sebagai koefisien determinasi, adalah metrik evaluasi yang digunakan untuk mengevaluasi seberapa baik model regresi linier cocok dengan data yang diamati. R-squared memberikan informasi tentang seberapa baik variabilitas dalam variabel dependen dapat dijelaskan oleh model regresi. Evaluasi model menggunakan R-squared memiliki rentang Antara 0 hingga 1, dimana 1 menunjukan model yang sempurna yang mampu menjelaskan seluruh variabilitas data dan 0 menunjukan model yang tidak dapat menunjukan variabilitas sama sekali. Hasil yang didapatkan menunjukan nilai sekitar 0.99999 menunjukan bahwa model mampu menjelaskan sebagian besar
variabilitas dalam data jumlah penduduk berdasarkan variabel independen yang digunakan yaitu penduduk laki-laki dan penduduk perempuan. Model regresi linear sangat cocok dengan data dan dapat menjelaskan sebagian besar variabilitas dalam jumlah penduduk. Ditampilkan pada figure 6.
Figure 6. Hasil R-Squared
Dalam diagram terdapat kemiripan yang sangat tinggi antara nilai aktual dan nilai prediksi, dapat dilihat bahwa sebagian besar titik-titik mendekati garis lurus 45 derajat yang merupakan garis regresi. Garis ini menunjukkan relasi linier antara nilai aktual dan nilai prediksi. Sebaran titik-titik yang rapat menunjukan bahwa model dengan baik memprediksi nilai-nilai dalam data test.ditampillkan pada figure 7.
Figure 7. Visualisasi Regresi
Untuk melihat selisih antara nilai aktual dan nilai prediksi dibuat satu dataframe baru untuk memberikan gambaran lebih rinci tentang bagaimana model melakukan prediksi pada data test. Proses ditampilkan pada figure 8.
Figure 8. Hasil Selisish Nilai Aktual Dan Prediksi
Pada Figure 6 dapat dilihat bahwa atribut "nilai aktual" berisi nilai aktual dari variabel dependen (y_test), atribut "nilai prediksi" berisi nilai yang diprediksi oleh model regresi (y_pred) dan atribut "selisih" merupakan perbedaan antara nilai prediksi dan nilai aktual (nilai prediksi - nilai aktual). Dalam gambar terlihat adanya nilai selisih positif yang berarti model memprediksi nilai yang lebih tinggi daripada nilai aktual dan terdapat nilai selisih negatif yang berarti model memprediksi nilai yang lebih rendah daripada nilai aktual. Dari hasil selisih yang didapat terlihat bahwa selisih dari nilai prediksi dan nilai aktual memiliki nilai yang sangat kecil sehingga dapat disimpulkan bahwa model yang dibuat cenderung memberikan prediksi yang baik.
Pada hasil menunjukan bahwa pada tahun 2023 jumlah penduduk diperkirakan sekitar 50.074 juta. Tahun 2024 berjumlah sekitar 50.811 juta. Pada tahun 2025 diperkirakan berjumlah 51.548 juta. Kemudian pada tahun 2026 sekitar 52.285 juta dan pada tahun 2027 jumlah penduduk sekitar 52.633 juta jiwa.. Ditampilkan pada figure 9.
Figure 9. Hasil Prediksi
Untuk melihat bagaimana hasil prediksi jumlah berperilaku terhadap data historis maka dibuat tampilan visualisasi tren data historis. Ditampilkan pada figure 10.
Figure 10. Hasil Visualisasi Data Prediksi
Figure 8 menunjukan bahwa garis biru pada plot (label 'Data Historis') mewakili data historis jumlah penduduk pada tahun tahun sebelumnya. Titik merah pada plot (label 'Prediksi 2023-2027') menunjukkan prediksi jumlah penduduk untuk tahun 2023-2027 berdasarkan hasil dari penerapan model regresi yang telah dibuat. Pada grafik titik merah menunjukan bahwa model regresi memprediksi peningkatan jumlah penduduk dari tahun ke tahun dalam rentang waktu 2023-2027.
Berdasarkan hasil penelitian menggunakan regresi linear berganda untuk memprediksi jumlah penduduk di provinsi di Provinsi Jawa Barat dapat disimpulkan bahwa:
Hasil proses prediksi menggunakan metode regresi linear berganda untuk memprediksi jumlah penduduk di Jawa Barat menggunakan model regresi dapat bekerja dengan baik. Model prediksi yang di evaluasi menggunakan berbagai evaluasi metrik menunjukan bahwa model prediksi yang dibuat memiliki akurasi yang baik dalam memprediksi jumlah penduduk berdasarkan penduduk laki-laki dan penduduk perempuan.
Hasil akurasi model untuk prediksi laju pertumbuhan penduduk di Jawa Barat menunjukkan tingkat akurasi yang cukup baik. Hasil evaluasi metrik Root Mean Squared Error (RMSE) menunjukan nilai 0.4685 Dari evaluasi metrik yang telah dilakukan menunjukkan bahwa hasil nilai yang didapatkan semuanya memiliki nilai yang kecil sehingga dapat disimpulkan bahwa model regresi bekerja dengan baik dan memiliki tingkat kesalahan prediksi atau error kecil sehingga dapat memprediksi jumlah penduduk dengan akurat. Selain itu hasil evaluasi menggunakan R-Squared menunjukan nilai 0.9999, hasil yang didapat mendekati nilai 1 yang menunjukan bahwa model regresi dapat membaca variabilitas data sehingga dapat mendukung kesimpulan bahwa model yang digunakan memang memiliki tingkat akurasi yang sangat baik.
Dari hasil penelitian didapatkan hasil prediksi jumlah penduduk untuk 5 (llima) tahun berikutnya yaitu pada tahun 2023 jumlah penduduk diperkirakan sekitar 50.074 juta jiwa atau naik 1.49% dari tahun sebelumnya yang hanya berjumlah 49.339 juta jiwa pada tahun 2022. Pada tahun berikutnya juga diprediksi terjadi kenaikan sebesar 1.47% pada tahun 2024 sehingga jumlah penduduk diperkirakan akan sebanyak 50.811 juta jiwa. Kemudian pada tahun 2025 diprediksi terjadi kenaikan sebesar 1.45% pada tahun ini jumlah penduduk diprediksi sebanyak 51.548 juta jiwa. Tahun 2026 juga diprediksi mengalami peningkatan jumlah penduduk sebesar 1.43% sehingga berjumlah 52.285 juta jiwa dan pada tahun 2027 diperkirakan akan mengalami sedikit kenaikan sekitar 0.66% sehingga pada tahun 2027 jumlah penduduk di Jawa Barat akan sebanyak 52.633 juta jiwa
References
-
[1] I. Indriani, D. Siregar, and A. P. Windarto, “Penerapan Metode Linear Regression dalam
Mengestimasi Jumlah Penduduk,” JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 4, p. 1112, 2022, doi: 10.30865/jurikom.v9i4.4676.
-
[2] P. Purwadi, P. S. Ramadhan, and N. Safitri, “Penerapan Data Mining Untuk Mengestimasi Laju Pertumbuhan Penduduk Menggunakan Metode Regresi Linier Berganda Pada BPS Deli Serdang,” J. SAINTIKOM (Jurnal Sains Manaj. Inform. dan Komputer), vol. 18, no. 1, p. 55, 2019, doi: 10.53513/jis.v18i1.104.
-
[3] E. D. Sri Mulyani et al., “Estimasi Pertumbuhan Penduduk Di Kabupaten Tasikmalaya Menggunakan Metode Regresi Linear Berganda,” Infosys (Information Syst. J., vol. 6, no. 1, p. 1, 2021, doi: 10.22303/infosys.6.1.2021.1-11.
-
[4] A. A. A. P. Ardyanti and A. Abdriando, “Penerapan Data Mining Untuk Mengestimasi Laju Pertumbuhan Penduduk Denpasar Menggunakan Metode Regresi Linier Berganda,” JBASE -J. Bus. Audit Inf. Syst., vol. 6, no. 1, pp. 37–44, 2023, doi: 10.30813/jbase.v6i1.4317.
-
[5] F. O. Lusiana, I. Fatma, and A. P. Windarto, “Estimasi Laju Pertumbuhan Penduduk
Menggunakan Metode Regresi Linier Berganda Pada BPS Simalungun,” J. Informatics Manag. Inf. Technol., vol. 1, no. 2, pp. 79–84, 2021, doi: 10.47065/jimat.v1i2.104.
-
[6] I. B. M. Swarbawa, I. G. Arta Wibawa, and I. K. Gede Suhartana, “Prediksi Hasil Panen Padi Di
Kabupaten Jembrana Dengan Metode Linear Regression,” JELIKU (Jurnal Elektron. Ilmu Komput. Udayana), vol. 11, no. 3, p. 671, 2023, doi: 10.24843/jlk.2023.v11.i03.p24.
-
[7] V. R. Prasetyo, H. Lazuardi, A. A. Mulyono, and C. Lauw, “Penerapan Aplikasi RapidMiner Untuk Prediksi Nilai Tukar Rupiah Terhadap US Dollar Dengan Metode Linear Regression,” J. Nas. Teknol. dan Sist. Inf., vol. 7, no. 1, pp. 8–17, 2021, doi: 10.25077/teknosi.v7i1.2021.8-17.
-
[8] N. Litha and T. Hasanuddin, “Analisis Performa Metode Moving Average Model untuk Prediksi Jumlah Penderita Covid-19,” Indones. J. Data Sci., vol. 1, no. 3, pp. 87–95, 2020, [Online]. Available: https://jurnal.yoctobrain.org/index.php/ijodas/article/view/19.
740
Discussion and feedback