Article Sidebar
Downloads
Main Article Content
Abstract
The rapid development of artificial intelligence and automation is expected to significantly impact future employment. This study aims to predict job automation probability in 2030 using supervised learning methods. A public dataset containing job types, education levels, and automation probabilities was utilized. Linear Regression and XGBoost Regressor were employed to build and compare predictive models. The research process included data preprocessing, training–testing data split, model training, and performance evaluation using Root Mean Square Error (RMSE) and coefficient of determination (R²). Experimental results indicate that XGBoost outperforms Linear Regression by achieving lower RMSE and higher R² values. This study provides insights into automation risks and may support workforce skill development planning.
Article Details
Copyright (c) 2026 Muhammad Arif Billah Natagama, Nicholas Leonardo, Ahmad Zidane Arrasyid, Hafidz Muhammad Dzaky, Vitri Tundjungsari
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
- Seluruh materi yang terdapat dalam situs ini dilindungi oleh undang-undang. Dipersilahkan mengutip sebagian atau seluruh isi situs web ini sesuai dengan ketentuan yang berlaku.
- Apabila anda menemukan satu atau beberapa artikel yang terdapat dalam Jurnal Pseudocode yang melanggar atau berpotensi melanggar hak cipta yang anda miliki, silahkan laporkan kepada kami, melalui email pada Priciple Contact.
- Aspek legal formal terhadap akses setiap informasi dan artikel yang tercantum dalam situs jurnal ini mengacu pada ketentuan lisensi Creative Commons Atribusi-ShareAlike (CC-BY-SA).
- Semua Informasi yang terdapat di Jurnal Pseudocode bersifat akademik. Jurnal Pseudocode tidak bertanggung jawab terhadap kerugian yang terjadi karana penyalah gunaan informasi dari situs ini.