Predictions of Indonesia Economic Phenomena Based on Online News Using Random Forest
Notice bibliographique
Résumé
Economic growth in the first quarter of 2021 based on YoY (Year on Year) is around -0.74%. This figure caused the Indonesian economy to recession after contracting four times since the second quarter of 2020. With positive and negative growth in the value of GDP for each category based on the business sector each quarter, can do future economic growth modelling. The prediction results can be used as an early warning for the government on factors that can maximize and factors that must improve. This study aims to predict the state of economic growth in the next quarter using Random Forest classification. Random Forest combines tree classification and bagging by resampling the data, which reduces the variance of the final model, which is for low variance overfitting. The data used in this study was scrapped from January 2021 to March 2021 on 5 Indonesian online news portals, namely Kompas, Antara, Okezone, Detik, and Bisnis. The independent variable is online news based on GDP category. The dependent variable results from data labelling on each news, up or down, carried out by the Directorate of Balance Sheet of BPS. Based on the calculations with cross-validation of 10, the modelling results obtained 96.51% accuracy, 97% precision, and 97% recall. The random forest method is good for predicting economic growth in the next quarter, namely the second quarter of 2021. Incorrectly predicted only three categories of GDP were: the construction category, the transportation and warehousing category, and the company service category
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».