ANALISIS KOMPARATIF ALGORITMA MACHINE LEARNING UNTUK PREDIKSI PRODUK DOMESTIK REGIONAL BRUTO (PDRB) PROVINSI DI INDONESIA MENGGUNAKAN FITUR TIME LAG

Abstract

Produk Domestik Regional Bruto (PDRB) merupakan indikator penting untuk menggambarkan tingkat aktivitas ekonomi wilayah yang mengalami dinamika fluktuatif akibat kondisi regional dan pandemi COVID-19, sehingga menuntut adanya pendekatan analitis untuk memprediksi perubahan ekonomi secara terukur. Penelitian ini membandingkan algoritma Linear Regression, Random Forest, dan XGBoost untuk memperkirakan distribusi PDRB provinsi Indonesia berdasarkan data BPS tahun 2020-2024. Data awal berbentuk matriks provinsi-tahun dirapikan, disusun ulang menjadi observasi provinsi per tahun, lalu diberi variabel Lag_1 yang merekam nilai PDRB satu tahun sebelumnya. Dari 178 observasi awal, sebanyak 140 observasi digunakan setelah proses pembentukan fitur lag. Pengujian dilakukan dengan rasio pembagian data 80:20, validasi 5-fold, serta penyesuaian parameter melalui Grid Search untuk Random Forest dan XGBoost. Analisis memperlihatkan bahwa pola PDRB pada dataset ini lebih kuat dijelaskan oleh hubungan linier antartahun dibandingkan model ensemble yang kompleks. Berdasarkan hasil evaluasi kuantitatif, Linear Regression menghasilkan kesalahan (eror) paling rendah dengan nilai akurasi prediksi yang direpresentasikan oleh MAE sebesar 0,042751, RMSE sebesar 0,070748, dan MAPE sebesar 3,28%. Selain itu, hasil validasi menggunakan 5-fold cross-validation juga membuktikan kestabilan model Linear Regression dengan perolehan rata-rata MAE sebesar 0,074940, yang jauh lebih baik dibandingkan model lainnya