Penambahan kasus COVID-19 yang besar di Indonesia, khususnya Pulau Jawa, membutuhkan berbagai upaya untuk mengendalikannya. Salah satu upaya efektif yang dapat dilakukan adalah tindakan preventif dengan memberi informasi mengenai kondisi suatu wilayah. Sebagai peringatan kepada masyarakat dan sebagai upaya pengambilan kebijakan daerah, Indonesia mengeluarkan zona risiko sampai pada tingkat kabupaten/kota melalui Satgas Penanganan COVID-19. Pembentukan level zona risiko tersebut menggunakan teknik konvensional yaitu pembobotan skor menggunakan informasi dari tiga jenis indikator. Dengan mempertimbangkan bahwa zona risiko merupakan hal yang penting dalam penentuan kebijakan terkait COVID-19, penelitian ini bertujuan untuk membangun model klasifikasi zona risiko kabupaten/kota di Pulau Jawa menggunakan beberapa teknik klasifikasi data mining dan menentukan model klasifikasi terbaik berdasarkan hasil evaluasi. Teknik klasifikasi yang digunakan sebagai perbandingan dalam penelitian ini adalah naive Bayes, decision tree, k-nearest-neighbor, dan neural network. Sebelum dilakukan pemodelan, data disesuaikan terlebih dahulu pada tahap preprocessing di mana pada tahap tersebut teridentifikasi terdapat permasalahan missing value dan imbalanced data. Permasalahan tersebut diatasi dengan imputasi data dan teknik oversampling. Hasil penelitian menunjukkan bahwa model k-nearest-neighbor merupakan model terbaik dibandingkan tiga model lainnya. Hasil tersebut didasarkan pada ukuran evaluasi keempat model di mana model k-NN memiliki nilai acccuracy, nilai rata-rata makro untuk sensitivitas, spesifisitas, dan ukuran F1 paling tinggi dibandingkan model lainnya.

This study aims to nowcast gross regional domestic product at the provincial level for Indonesia. The dynamic factor model and mixed data sampling were applied to three sets of variables; namely, macroeconomic, financial, and Google Trends. We find that both methods captured several economic expansions and contractions, including the recent downturn during the COVID-19 pandemic. By including the pandemic period, accuracy across the same set of variables and provinces was slightly reduced.

This study aims to nowcast gross regional domestic product at the provincial level for Indonesia. The dynamic factor model and mixed data sampling were applied to three sets of variables; namely, macroeconomic, financial, and Google Trends. We find that both methods captured several economic expansions and contractions, including the recent downturn during the COVID-19 pandemic. By including the pandemic period, accuracy across the same set of variables and provinces was slightly reduced.

Data mengenai aktvitas ekonomi dibutuhkan secara cepat untuk mengambil berbagai kebijakan, namun data tersebut mengalami keterlambatan publikasi, terutama pada level regional. Data Produk Domestik Regional Bruto (PDRB) dirilis dalam waktu lima minggu sejak triwulan berakhir. Upaya yang dapat dilakukan untuk menyediakan data tersebut adalah melalui nowcasting, yaitu peramalan pada periode berjalan menggunakan variabel berfrekuensi lebih tinggi. Data Google Trends merupakan data berfrekuensi tinggi yang tersedia pada waktu yang sebenarnya. Penelitian ini bertujuan untuk melakukan nowcasting pertumbuhan PDRB menggunakan data Google Trends. Metode nowcasting yang digunakan adalah Dynamic Factor Model (DFM). Hasil nowcasting menunjukkan bahwa model mampu menangkap penurunan aktivitas ekonomi sejak masa pandemi COVID-19. Hasil evaluasi pada dua rentang data menunjukkan bahwa DFM lebih baik pada rentang data yang tidak memasukkan periode adanya guncangan ekonomi.