<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="1705193">
 <titleInfo>
  <title>ANALISIS PERFORMA METODE GRADIENT BOOSTING REGRESSION DALAM PREDIKSI DAN IDENTIFIKASI FAKTOR DOMINAN TINGKAT PENGANGGURAN TERBUKA DI  INDONESIA</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>Karina Afifah</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas MIPA Statistika</publisher>
   <dateIssued>2025</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code"></languageTerm>
  <languageTerm type="text"></languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>Tingkat Pengangguran Terbuka (TPT) masih menjadi tantangan utama pembangunan di Indonesia meskipun pertumbuhan ekonomi menunjukkan tren positif. Variasi TPT antarprovinsi dipengaruhi oleh faktor ekonomi, sosial, pendidikan, dan ketenagakerjaan. Penelitian ini bertujuan untuk mengevaluasi performa metode Gradient Boosting Regression (GBR) dalam memprediksi TPT serta mengidentifikasi faktor-faktor dominan yang memengaruhinya. Data penelitian mencakup seluruh provinsi di Indonesia selama periode 2015–2024 dengan 13 variabel independen. Proses analisis meliputi preprocessing data, pembagian data latih dan uji dengan beberapa rasio, dan penyusunan model baseline. Kemudian dilakukan hyperparameter tuning menggunakan Grid Search, Random Search, dan Optuna Search, serta analisis feature importance untuk mengidentifikasi faktor dominan yang memengaruhi TPT. Hasil penelitian menunjukkan bahwa Optuna Search menghasilkan kombinasi hyperparameter optimal dengan nilai MAPE 10,60%, yang lebih baik dibandingkan metode tuning lainnya. Evaluasi performa model menunjukkan adanya peningkatan akurasi prediksi setelah proses tuning, khusus pada partisi data 70:30 di mana nilai MAPE turun sebesar 6,39% dan R² meningkat menjadi 85%. Analisis feature importance mengungkapkan bahwa faktor paling dominan yang memengaruhi TPT adalah Tingkat Partisipasi Angkatan Kerja (X11). Hasil ini menunjukkan bahwa indikator ketenagakerjaan berperan penting dalam menentukan variasi TPT.</note>
 <note type="statement of responsibility"></note>
 <classification>0</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>1705193</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2025-10-27 14:36:25</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2025-10-27 15:07:40</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>