Implementasi Regresi Komponen Utama pada Tingkat Pengangguran Terbuka Kabupaten di Deli Serdang

Katrin Jenny Sirait; Yunda Naufal

doi:10.55338/jumin.v7i3.9125

Authors

Katrin Jenny Sirait Universitas Sumatera Utara
Yunda Naufal Universitas Sumatera Utara

DOI:

https://doi.org/10.55338/jumin.v7i3.9125

Keywords:

Tingkat Pengangguran Terbuka, Regresi Komponen Utama, Deli Serdang

Abstract

Tingkat pengangguran terbuka menjadi salah satu ukuran pokok dalam mengevaluasi situasi ketenagakerjaan serta pencapaian pembangunan perekonomian suatu daerah. kabupaten deli serdang sebagai daerah strategis di Provinsi Sumatera Utara memiliki karakteristik sosial ekonomi yang dinamis sehingga TPT-nya dipengaruhi oleh banyak variabel yang saling berkorelasi yang berpotensi menimbulkan masalah multikolinearitas dalam analisis regresi. Penelitian ini bertujuan untuk membentuk komponen utama dari variabel-variabel sosial dan ketenagakerjaan serta menganalisis pengaruhnya pada tingkat pengangguran terbuka kabupaten deli serdang menerapkan cara regresi komponen utama. data yang dipakai berupa data sekunder yang berasal dari laporan keterangan pertanggungjawaban (LKPJ) lalu rencana pembangunan jangka menengah daerah dan BPS periode tahun 2011–2025 yang mencakup sembilan variabel independen. Hasil uji kelayakan memperlihatkan angka KMO sebesar 0,733 serta nilai signifikansi bartlett test sebanyak 0,000 sehingga data layak dianalisis menggunakan analisis komponen utama. Hasil analisis menghasilkan dua komponen utama yang bisa memaparkan 81,60% keragaman data. Komponen pertama merepresentasikan faktor sosial ekonomi dan kesejahteraan masyarakat sedangkan komponen kedua merepresentasikan faktor makroekonomi yang meliputi tingkat kenaikan harga dan laju pertumbuhan ekonomi. Hasil uji regresi memperlihatkan hanya komponen kedua yang memberikan pengaruh nyata terhadap TPT melalui koefisien bernilai negatif yang memperlihatkan peningkatan kondisi ekonomi makro cenderung menurunkan tingkat pengangguran terbuka. Model PCR yang diperoleh telah memenuhi seluruh asumsi klasik regresi yaitu normalitas bebas heteroskedastisitas bebas autokorelasi bebas multikolinearitas dan memiliki koefisien determinasi sebesar 36,6%.

Downloads

Download data is not yet available.

References

T. W. Utami, A. Rohman, and A. Prahutama, “Pemodelan Regresi Berganda Dan Geographically Weighted Regression Pada Tingkat Pengangguran Terbuka Di Jawa Tengah,” Media Stat., vol. 9, no. 2, p. 133, 2017, doi: 10.14710/medstat.9.2.133-147.

M. P. Todaro and S. C. Smith, Economic Development. Thirteenth Edition, no. 13th Edition. 2020. [Online]. Available: https://www.mkm.ee/en/objectives-activities/economic-development

J. Meneses-Mijares, J. Castillo-Mixcóatl, S. Muñoz-Aguirre, and G. Beltrán-Pérez, “Application of principal component regression in Mach–Zehnder interferometer optical fiber sensors in reflection mode for acetone detection as biomarker of diabetes mellitus,” Opt. Laser Technol., vol. 177, no. March, p. 111196, 2024, doi: 10.1016/j.optlastec.2024.111196.

A. F. Hidayatullah, D. Saputra, F. Inarah, I. Isma Evita, M. Fadillah, and L. Harsyiah, “Analisis Regresi Komponen Utama Untuk Mengatasi Multikolinearitas Pada Faktor-Faktor Yang Mempengaruhi Indeks Pembangunan Manusia (Principal Component Regression to Overcome Multicollinearity in Factors That Influence the Human Development Index),” J. Sains Nat., vol. 2, no. 1, pp. 19–24, 2024.

K. P. Vatcheva, MinJae Lee, Joseph B. McCormick, and M. H. Rahbar, “HHS Public Access,” Multicollinearity Regres. Anal. Conduct. Epidemiol. Stud. BioMed Res. Int., vol. 6, no. 2, pp. 1–20, 2016, doi: 10.4172/2161-1165.1000227.Multicollinearity.

M. Rais, R. Goejantoro, and S. Prangga, “Optimalisasi K-Means Cluster dengan Principal Component Analysis Optimization of K-Means Cluster with Principal Component Analysis on the Grouping of Districts/Cities on the Island of Kalimantan Based on Unemployment Rate Indicator,” J. EKSPONENSIAL, vol. 12, no. 2, pp. 129–136, 2021.

K. O. Ekvall, “Targeted principal components regression,” J. Multivar. Anal., vol. 190, p. 104995, 2022, doi: 10.1016/j.jmva.2022.104995.

R. C. Freitas, A. A. Calderano, C. H. Oliveira, M. G. Neto, and J. L. Genova, “Combined analysis of multiple linear regression and principal components for predicting performance indicators in broiler chickens under commercial conditions,” Poult. Sci., vol. 104, no. 11, p. 105728, 2025, doi: 10.1016/j.psj.2025.105728.

M. Marić, “Explaining Variability in the Labour Market Using Principal Component Analysis,” Acta Econ., vol. 23, no. 42, pp. 101–122, 2025, doi: 10.63356/ace.2025.005.

I. T. Jollife and J. Cadima, “Principal component analysis: A review and recent developments,” Philos. Trans. R. Soc. A Math. Phys. Eng. Sci., vol. 374, no. 2065, 2016, doi: 10.1098/rsta.2015.0202.

J. Joseph F. Hair, William C. Black, B. J. Babin, and Rolph E. Anderson, MULTIVARIATE DATA ANALYSIS Multivariate Data Analysis, 8th ed. United Kingdom: Cengage Learning, 2019.

G. James, D. Witten, T. Hastie, and R. Tibshirani, An Introduction to Statistical Learning: With Applications in R, 2nd ed. New York: Springer, 2021.

J. M. Wooldridge, Introductory Econometrics: A Modern Approach, 7th ed. Boston, 2020. [Online]. Available: https://www.cengage.com/c/introductory-econometrics-a-modern-approach-7e-wooldridge/9781337558860/

F. Y. Rohmawati, U. Istiqomah, and R. Hidayat, “Season Onset Prediction Based on Statistical Model for Malang Regency, East Java,” Agromet, vol. 36, no. 1, pp. 21–30, 2022, doi: 10.29244/j.agromet.36.1.21-30.

C. Hang et al., “Catering to the Era of Gene Therapy: An Objective Staging Strategy for Bietti Crystalline Dystrophy using Principal Component Regression,” Am. J. Ophthalmol., vol. 277, pp. 269–279, 2025, doi: 10.1016/j.ajo.2025.05.018.

Rizka Maulida, “Perbandingan Principal Component Regression Dan Regresi Ridge Pada Analisis Faktor-Faktor Indeks Pembangunan Manusia,” Universitas Islam Negeri Maulana Malik Ibrahim Malang, 2022.

M. S. Islam Khan, N. Islam, J. Uddin, S. Islam, and M. K. Nasir, “Water quality prediction and classification based on principal component regression and gradient boosting classifier approach,” J. King Saud Univ. - Comput. Inf. Sci., vol. 34, no. 8, pp. 4773–4781, 2022, doi: 10.1016/j.jksuci.2021.06.003.

T. P. Lesnussa, E. E. M. Utubira, and M. Kaseside, “Penerapan Metode Principal Component Analysis (Studi Kasus: Tingkat Kemiskinan di Kepulauan Maluku),” Bilangan J. Ilm. Mat. Kebumian dan Angkasa, vol. 3, no. 2, pp. 172–181, 2025, doi: 10.62383/bilangan.v3i2.479.

E. Fisgin, J. Garcia-Cabo, A. Haag, and M. Lott, “Expanding the Labor Market Lens: Two New Eurozone Labor Indicators,” Int. Financ. Discuss. Pap., vol. 2500, no. 2025, pp. 1–1, 2025, doi: 10.17016/ifdp.2025.1415.

S. A. Syuhada and S. H. Hasanah, “Analisis Faktor-Faktor Yang Mempengaruhi Tingkat Pengangguran Di Indonesia Dengan Pendekatan Principal Component Analysis (Pca) Dan Analysis Profile,” Pros. Semin. Nas. Sains dan Teknol. Seri III Fak. Sains dan Teknol., vol. 2, no. 1, pp. 1134–1150, 2025, [Online]. Available: Prosiding Seminar Nasional Sains dan Teknologi Seri III Fakultas Sains dan Teknologi