Penerapan Support Vector Regression Dengan Optimasi PSO Dalam Memprediksi Harga Gabah

Prediksi atau peramalan adalah suatu kegiatan memprediksi masa depan menggunakan kondisi ataupun data di masa lalu. Salah satu contoh prediksi adalah prediksi harga gabah. Dalam memprediksi harga gabah saat ini digunakan data harga gabah pada waktu sebelum-sebelumnya. Analisis time series digunakan untuk memprediksi data pada periode waktu tertentu menggunakan data yang ada pada masa lampau sehingga dapat membantu perencanaan ke depan. Dalam penelitian ini digunakan metode Support Vector Regression (SVR) dalam memprediksi harga gabah. Sebelum melakukan prediksi, akan dicari kombinasi fitur masukan yang optimal dan nilai parameter terbaik. Kombinasi tersebut akan mempengaruhi nilai prediksi harga gabah. Untuk mengatasi hal tersebut dilakukan optimasi menggunakan metode Particle Swarm Optimization (PSO). PSO dipilih karena telah terbukti memiliki kinerja yang baik dalam hal tersebut sebab PSO memiliki konsep sederhana dan efisien dalam mencapai solusi global. Penelitian ini menggunakan 100 data harga gabah. Kombinasi parameter yang dihasilkan adalah nilai C sebesar 0,1, nilai ε sebesar 0,001, nilai σ sebesar 0,1, nilai cLR sebesar 0,1148, nilai λ sebesar 0,01 dan dua fitur terpilih, yaitu F1 (t-3) dan F2 (t-2) menghasilkan error sebesar 20,0239% pada pengujian 80 data latih dan 20 data uji, sedangkan error sebesar 20,9499% pada pengujian 70 data latih dan 30 data uji. Hasil tersebut menunjukkan bahwa penggunaan metode ini sudah cukup baik.

Prediction or forecasting is an activity to predict the future use of data or conditions in the past. One example of prediction is a prediction of grain prices. In predicting the price of grain currently used data is the price of grain at a time ever. Time series analysis is used to predict the data at a specific time period using the existing data in the past so that it can help in planning ahead. This study used a method Support Vector Regression (SVR) in predicting the price of grain. Before doing predictions, will be searched input optimal combination of features and the best parameter values. The combination will affect the predicted value of grain prices. To overcome this be optimized using Particle Swarm Optimization (PSO). PSO selected because it has proven to have a good performance in terms of the cause PSO has a simple concept and efficient in achieving global solutions. This study uses the data 100 grain prices. The resulting combination of parameters is the value of C is 0.1, the value of ε is 0.001, the value of σ is 0.1, the value of cLR is 0.1148, the value of λ is 0.01 and two selected feature, namely F1 (t-3) and F2 (t-2) generate error of 20.0239% on testing 80 training data and test data 20, while the error of 20.9499% on testing 70 training data and test data 30. These results indicate that use of the method is already quite good.