Integrasi Big Data Dan Official Statistics Sebagai Indikator Dini Angka Pengangguran Di Kota Magelang
Oleh: Syfriza Davies Raihannabil (Politeknik Statistika STIS)
Pengangguran masih menjadi isu penting di Kota Magelang karena berpengaruh pada kesejahteraan, daya beli, dan stabilitas sosial ekonomi (Pohlan, 2024). Data resmi diperoleh melalui Sakernas BPS yang terstandar (BPS, 2024), namun angka pengangguran di tingkat kabupaten/kota hanya tersedia pada semester II sehingga informasi untuk Kota Magelang baru bisa diperoleh sekali setahun. Kondisi ini menimbulkan jeda informasi yang menyulitkan respons kebijakan daerah. Di sisi lain, perkembangan big data dengan karakteristik 3V—volume, variety, dan velocity (Coronel & Morris, 2022) membuka peluang pemanfaatan sumber alternatif, salah satunya Google Trends. Seperti ditunjukkan pada Gambar 1a, Google menguasai sekitar 90% pangsa pasar mesin pencari global (Statista, 2025), dan pada Gambar 1b terlihat bahwa 70% pencarian awal terkait pekerjaan dilakukan melalui Google (Flynn, 2023). Hal ini memperkuat potensi Google Trends sebagai instrumen untuk menangkap dinamika pasar kerja secara lebih cepat dibanding data konvensional.
Gambar 1. Potensi Google Trends sebagai Indikator Dini Pencarian Kerja: (a) Perkembangan Pangsa Pasar Mesin Pencari 2015–2025; (b) Persentase Pencari Kerja berdasarkan Mesin Pencari Awal yang Digunakan.
Penelitian sebelumnya menunjukkan bahwa prediksi pasar tenaga kerja masih bergantung pada data resmi, seperti Sakernas atau catatan administratif, yang memiliki keterbatasan frekuensi dan jeda waktu publikasi. Untuk mengatasinya, berbagai studi menekankan integrasi official statistics dengan sumber alternatif, seperti Google Trends, yang mampu menyediakan data lebih cepat, berfrekuensi tinggi, dan tanpa biaya (Havranek & Zeynalov, 2021; Karim et al., 2023; Qin et al., 2023). Bukti empiris dari berbagai negara konsisten memperlihatkan bahwa penggabungan Google Trends dengan data resmi dapat mendeteksi dinamika pasar kerja lebih dini dan melampaui keterlambatan publikasi statistik konvensional (Simionescu & Cifuentes-Faura, 2022; Mulero & Garcia-Hiernaux, 2023; Simionescu, 2021; Aaronson et al., 2022; Abdelhay & Altamimi, 2025).
Berdasarkan uraian tersebut, penelitian ini bertujuan untuk mengkaji potensi integrasi data Google Trends dengan official statistics dalam penyajian indikator dini pengangguran di Kota Magelang melalui model prediktif. Integrasi ini menjadi penting karena data resmi mengenai pengangguran hanya tersedia secara periodik, sementara dinamika pasar tenaga kerja dapat berubah dengan cepat. Dengan memanfaatkan Google Trends yang bersifat real-time dan mengaitkannya dengan data Sakernas sebagai rujukan resmi, penelitian ini diharapkan mampu menghadirkan prediksi angka pengangguran yang lebih akurat sehingga dapat membantu pemerintah daerah dalam merumuskan kebijakan ketenagakerjaan dengan lebih tepat sasaran.
Metodologi
Penelitian ini menggunakan data sekunder dari Sakernas BPS yang diakses melalui portal DataGo Kota Magelang, sebuah platform resmi yang menyediakan berbagai indikator statistik daerah terintegrasi untuk mendukung perencanaan dan evaluasi pembangunan. Dari DataGo, indikator yang digunakan adalah Tingkat Pengangguran Terbuka (TPT) tahun 2007–2024 sebagai gambaran kondisi pasar kerja. Selain itu, penelitian ini juga memanfaatkan data Google Trends untuk mengumpulkan tren pencarian masyarakat terkait pengangguran, seperti informasi lowongan kerja dan topik serupa. Daftar kueri hasil pencarian dapat ditunjukkan pada Tabel 1.
Sumber: (Simionescu & Cifuentes-Faura, 2022; Adu et al., 2023; Mulero & Garcia-Hiernaux, 2023; Borup & Schütte, 2022; Karim et al., 2023; Nooraeni et al., 2020)
Penelitian ini menggabungkan data tahunan dari DataGo dengan kueri dari Google Trends untuk menghasilkan prediksi yang lebih akurat dan sesuai dengan dinamika nyata di lapangan. Dengan demikian, metode analisis yang digunakan adalah mixed-frequency model yang terdiri atas Mixed Data Sampling (MIDAS) Regression, Unrestricted-MIDAS (U-MIDAS), dan Bayesian Mixed Frequency VAR (BMF-VAR).
Pemodelan Prediksi
Tahap awal analisis dilakukan dengan menyederhanakan data kueri Google Trends menggunakan Principal Component Analysis (PCA). Dari proses ini diperoleh lima komponen utama yang mampu mewakili berbagai kata kunci pencarian terkait pengangguran. Kelima komponen ini kemudian digunakan sebagai variabel penjelas dalam pemodelan prediksi Tingkat Pengangguran Terbuka (TPT). Selanjutnya, model prediksi dibangun dengan menggunakan tiga pendekatan, yaitu MIDAS, U-MIDAS, dan BMF-VAR. Hasil estimasi awal dari model MIDAS dapat dilihat pada Tabel 2, yang menunjukkan bagaimana kelima komponen utama dari kueri Google Trends berkontribusi terhadap dinamika TPT tahunan di Kota Magelang.
Keterangan: Angka di dalam tanda kurung () adalah standard error. Sumber: Hasil Olah Data ***p < 0,01; **p < 0,05; *p < 0,1.
Berdasarkan Tabel 2, model dengan maksimum lag = 6 memberikan hasil terbaik, yaitu dengan adjusted R2 tertinggi (0,9998) dan standard error of regression terendah (0,0432) yang berarti model dengan maksimum lag = 6 mampu menjelaskan variasi TPT hampir secara sempurna dengan tingkat kesalahan prediksi yang sangat kecil. Kemudian, grafik hasil prediksi TPT menggunakan model MIDAS, U-MIDAS, dan BMF-VAR dapat ditunjukkan pada Gambar 2, yang disajikan secara berdampingan dengan data TPT aktual sehingga memudahkan perbandingan antara hasil prediksi model dan kondisi nyata.
Gambar 2. Hasil Prediksi Tingkat Pengangguran Terbuka (TPT) di Kota Magelang Tahun 2007–2024 Menggunakan Model: (a) MIDAS; (b) U-MIDAS; (c) BMF-VAR.
Untuk menentukan metode prediksi yang paling akurat, hasil ketiga model kemudian dievaluasi menggunakan ukuran ketepatan prediksi seperti RMSE, MAE, dan MAPE sehingga dapat diketahui model yang memberikan performa terbaik dalam memprediksi TPT. Hasil evaluasi model dapat ditunjukkan pada Tabel 3.
Sumber: Hasil Olah Data
Berdasarkan Tabel 3, dapat dilihat bahwa MIDAS memiliki nilai RMSE (0,0144), MAE (0,0099), dan MAPE (0,1414%) yang paling rendah dibandingkan model lainnya. Temuan ini menunjukkan bahwa MIDAS adalah metode dengan tingkat akurasi terbaik dalam mempediksi TPT di Kota Magelang. BMF-VAR juga menunjukkan performa cukup baik dengan error yang relatif kecil meskipun masih sedikit lebih tinggi dibandingkan MIDAS. Sementara itu, U-MIDAS menghasilkan error yang jauh lebih besar sehingga kurang optimal digunakan dalam konteks penelitian ini.
Hasil penelitian ini memperlihatkan bahwa pemanfaatan Google Trends benar-benar terbukti mampu memberikan nilai tambah dalam memprediksi kondisi pasar kerja, khususnya TPT di Kota Magelang. Dengan memasukkan sinyal digital dari perilaku pencarian masyarakat, model prediksi menjadi jauh lebih sensitif terhadap dinamika aktual di lapangan. Selain itu, akurasi model MIDAS mencapai sekitar 99,86% yang menegaskan bahwa pendekatan ini tidak hanya unggul secara statistik, tetapi juga relevan secara praktis sebagai alat bantu perumusan kebijakan ketenagakerjaan yang lebih adaptif.
Temuan penelitian ini juga didukung oleh penelitian-penelitian terdahulu bahwa penambahan data pencarian Google ke dalam model dapat meningkatkan kemampuan model dalam memprediksi angka pengangguran nasional. Tren penurunan yang terdeteksi oleh model tersebut tampak mencerminkan situasi nyata di lapangan (Mulero & Garcia-Hiernaux, 2023). Penelitian lain juga melaporkan bahwa penggunaan data Google Trends secara signifikan memperbaiki akurasi prediksi pengangguran di tingkat regional dan nasional yang memperkuat kesimpulan bahwa sinyal digital ini memiliki kekuatan prediktif yang valid (Havranek & Zeynalov, 2021; Karim et al., 2023; Qin et al., 2023).
Rekomendasi Kebijakan
Berdasarkan hasil penelitian, terdapat beberapa rekomendasi yang dapat diberikan kepada pemangku kebijakan di Kota Magelang, yaitu sebagai berikut.
Integrasi Big Data dan Official Statistics: Pemerintah Kota Magelang disarankan agar dapat memanfaatkan potensi big data seperti Google Trends yang terbukti mampu meningkatkan akurasi prediksi ketika dikombinasikan dengan data resmi pemerintah sehingga dapat menghasilkan indikator dini pengangguran yang lebih andal.
Penguatan Sistem Monitoring Pasar Kerja: Dengan terbuktinya keunggulan model MIDAS dalam mengikuti pola TPT aktual, pemerintah dapat membangun sistem monitoring berbasis model prediktif untuk memperkirakan tren pengangguran secara real-time dan responsif.
Intervensi Kebijakan yang Lebih Terarah: Hasil prediksi TPT dapat dimanfaatkan untuk merancang intervensi ketenagakerjaan yang lebih tepat sasaran, misalnya dalam penentuan waktu penyelenggaraan pelatihan kerja, perluasan akses informasi lowongan, serta penguatan program pemberdayaan UMKM dan sektor informal di Kota Magelang.