web site hit counter

PREDIKSI HARGA CRUDE PALM OIL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE DENGAN OPTIMASI PARAMETER MENGGUNAKAN ALGORITMA GENETIKA

Course

PREDIKSI HARGA CRUDE PALM OIL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE DENGAN OPTIMASI PARAMETER MENGGUNAKAN ALGORITMA GENETIKA

(0 vote average: 0 out of 5) 216 VIEWS Skripsi

COURSE DETAILS

Crude Palm Oil (CPO) merupakan minyak yang bersal dari buah kelapa sawit yang saat ini masih menjadi komoditi andalan dari Indonesia. Indonesia merupakan negara pengekspor CPO terbesar di dunia, tetapi sampai sekarang Indonesia belum dapat berperan banyak dalam sisi pemasaran, terutama sebagai referensi untuk mematok harga CPO. Pasar global CPO masih mengacu kepada pasar Fisik Roterdam dan pasar berjangka Malaysia. Indonesia berupaya untuk membentuk suatu mekanisme pasar agar dapat menjadi referensi harga CPO dunia yaitu dengan membentuk Bursa Berjangka Jakarta (BBJ) dan Bursa Komoditi dan Derevatif Indonesia (BKDI). Prediksi harga CPO sangat diperlukan khususnya bagi para pembuat kebijakan, investor maupun perusahaan untuk menentukan patokan harga CPO. Metode Support Vector machine telah banyak digunakan untuk melakukan prediksi seperti prediksi PM10, prediksi krisis keuangan dan prediksi kecepatan angin. Kelebihan Metode Support Vector Machine adalah dapat mengatasi masalah over fitting dan tidak memerlukan data yang terlalu banyak, serta memiliki tingkat akurasi yang tinggi. Kemampuan dari Support Vecot Machine yang memberikan dorongan kepada beberapa peneliti untuk mengembangkan penelitian lebih lanjut. Salah satu pengembangan lanjutan adalah memadukan Support Vector Machine dengan Algoritma Genetika yang digunakan untuk melakukan optimasi parameter C, γ dan ε. Algoritma Genetika digunakan untuk melakukan optimasi parameter yang menjadi kelemahan pada metode Support Vector Machine. Pada penelitian ini, eksperimen dengan menggunakan empat tipe kernel yaitu kernel dot, radial, polynomial dan sigmoid. Dari hasil pengujian ditemukan bahwa rata-rata RMSE dengan menggunakan metode SVM sebelum dioptimasi sebesar 0,2142 sedangkan rata-rata RMSE dengan menggunakan metode GA-SVM sebesar 0,1300, dari hasil tersebut berarti ada penurunan RMSE sebesar 0,0842. Sedangkan rata-rata akurasi dengan menggunakan metode SVM sebelum dioptimasi sebesar 68,1% sedangkan ratarata akurasi pada metode GA-SVM sebesar 74,5%. Akurasi terbaik diperoleh dari tipe kernel radial dimana pada metode SVM sebesar 84,6% sedangkan pada metode GA-SVM mencapai 98,5%.



COMMENTS