Penerapan Algoritma Support Vector Regression (SVR) untuk Prediksi Harga Minyak Bumi
| Main Author: | Ginantara Setiawan, Raynaldi |
|---|---|
| Format: | Thesis NonPeerReviewed application/pdf |
| Bahasa: | eng |
| Terbitan: |
, 2020
|
| Subjects: | |
| Online Access: |
http://kc.umn.ac.id/13698/1/HALAMAN_AWAL.pdf http://kc.umn.ac.id/13698/2/DAFTAR_PUSTAKA.pdf http://kc.umn.ac.id/13698/3/BAB_I.pdf http://kc.umn.ac.id/13698/4/BAB_II.pdf http://kc.umn.ac.id/13698/5/BAB_III.pdf http://kc.umn.ac.id/13698/6/BAB_IV.pdf http://kc.umn.ac.id/13698/7/BAB_V.pdf http://kc.umn.ac.id/13698/8/LAMPIRAN.pdf http://kc.umn.ac.id/13698/ |
Daftar Isi:
- Minyak bumi merupakan salah satu sumber energi primer dan memiliki nilai ekonomis untuk negara penghasilnya. Pemakaian minyak bumi di Indonesia mengalami peningkatan dan tidak diimbangi dengan minyak bumi yang dihasilkan. Untuk memenuhi penggunaan minyak bumi, pemerintah harus mengambil kebijakan import minyak bumi dari negrara lain. Indonesia sebagai salah satu negara pengimport minyak bumi diharuskan untuk memantau pergerakan harga minyak yang tidak stabil setiap harinya agar mendapatkan harga yang relatif murah sebelum harganya naik. Untuk menyelesikan permasalahan prediksi harga minyak, dibangunlah sebuah sistem prediksi harga minyak bumi menggunakan algoritma Support vector Regression (SVR) yang merupakan algoritma Support Vector Machine (SVM) untuk permasalahan regresi. Penggunaan algoritma SVR dibantu dengan kernel Linear, Polynomial, dan Radial Basis Function (RBF) untuk mengatasi ketidak linearan harga minyak bumi. Parameter tuning dilakukan untuk mendapatkan parameter yang optimal dari SVR dan kernel yang dipakai. Hasil penelitian pada data latih dan uji menunjukan bahwa parameter terbaik untuk kernel linear didapatkan pada C=0.001 dan epsilon=1 dengan nilai MAE=-5.213 dan MAPE sebesar 30.63%, pada kernel polynomial didapatkan nilai C=0.001, epsilon=0.1, gamma=1, coef0=2, dan degree=2 dengan nilai MAE=-23.313 dan MAPE sebesar 9.3% dan untuk kernel RBF didapatkan nilai C=100, gamma=0.0002, dan epsilon=0.005 dengan nilai MAE = -4.744 dan MAPE sebesar 7.62%. Hasil dari prediksi yang dievaluasi dengan data validasi secara berurutan ber-rentang waktu 1 minggu, 2 minggu, 1 bulan, 2 bulan, dan 3 bulan menghasilkan nilai MAPE terkecil pada rentang 1 minggu dan terbesar pada rentang 3 bulan. Disimpulkan dari hasil penelitian, kernel yang menghasilkan peforma terbaik adalah kernel RBF dan semakin pendek rentang waktu prediksi, MAPE yang dihasilkan kecil yang berarti semakin baik peforma prediksi yang dilakukan.