Analisis Perbandingan Performa Algoritma Random Forest dan Decision Tree Dalam Indikator Ekonomi Indonesia

• SECHAN ARYATAMA
• 2025

---

Kajian ini membandingkan kinerja algoritma Random Forest dan Decision Tree dalam menganalisis serta memprediksi pola Gross Domestic Product (GDP) Deflator Indonesia. Pentingnya pemahaman dan prediksi ekonomi makro mendorong penggunaan machine learning untuk mengatasi kompleksitas data ekonomi.
Tujuan studi adalah membandingkan kedua algoritma berdasarkan metrik MSE, R², dan MAPE, mengidentifikasi variabel ekonomi dominan, dan menentukan algoritma optimal. Data indikator ekonomi Indonesia dari OECD Data Explorer (2010-2022) digunakan, dengan GDP Deflator sebagai variabel target. Variabel independen mencakup Labour tax revenue dan Nominal exchange rate. Data diproses, dan model diimplementasikan menggunakan Python.
Hasil menunjukkan Decision Tree secara konsisten mengungguli Random Forest dalam akurasi dan tingkat kesalahan yang lebih rendah. Analisis feature importance menyoroti pendapatan pajak tenaga kerja dan nilai tukar nominal sebagai faktor paling
berpengaruh. Meskipun Random Forest sering lebih stabil, Decision Tree terbukti lebih efektif dalam memodelkan GDP Deflator Indonesia.

• Machine Learning
• Random Forest
• Decision Tree
• GDP Deflator
• Indikator Ekonomi
• Indonesia.

https://repository.bsi.ac.id/repo/67141/Analisis--Perbandingan-Performa-Algoritma-Random-Forest-dan-Decision-Tree-Dalam--Indikator-Ekonomi-Indonesia
Anda dapat membaca file tugas akhir ini di repository.