Penerapan Metode Klasifikasi Random Forest untuk Prediksi Data Ketenagakerjaan Non-Pertanian di Amerika Serikat

Abstract

Data Ketenagakerjaan Non-Pertanian (Non-Farm Payroll atau NFP) merupakan salah satu indikator ekonomi utama Amerika Serikat yang memiliki pengaruh signifikan terhadap pasar keuangan global. Perubahan data NFP sering digunakan oleh investor, pelaku pasar, dan pembuat kebijakan untuk menilai kondisi ekonomi serta menentukan strategi pengambilan keputusan. Oleh karena itu, diperlukan suatu metode yang mampu memprediksi arah perubahan data NFP secara efektif. Penelitian ini bertujuan untuk menerapkan metode klasifikasi Random Forest dalam memprediksi arah perubahan data NFP di Amerika Serikat ke dalam tiga kategori, yaitu naik, turun, dan tetap. Data yang digunakan merupakan data historis periode Januari 2015 hingga Juli 2025 yang meliputi indikator NFP, Klaim Pengangguran Awal, Pendapatan Rata-Rata Per Jam, dan Tingkat Pengangguran, Tahapan penelitian meliputi data selection, data cleaning, data transformation, normalisasi menggunakan MinMaxScaler, pembagian data dengan pendekatan time-based split, optimasi hyperparameter menggunakan Randomized Search Cross Validation, serta pembangunan model klasifikasi Random Forest. Hasil pengujian menunjukkan bahwa model yang dibangun memperoleh nilai accuracy sebesar 64,52%, precision sebesar 69,21%, recall sebesar 64,52%, dan F1-score sebesar 65,95%. Hasil tersebut menunjukkan bahwa metode Random Forest mampu mengidentifikasi pola hubungan antara indikator ekonomi yang digunakan dengan arah perubahan data NFP. Dengan demikian, metode Random Forest dapat digunakan sebagai salah satu pendekatan untuk memprediksi arah perubahan data ketenagakerjaan non-pertanian di Amerika Serikat dengan performa yang cukup baik.