PREDIKSI HARGA CRUDE PALM OIL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE DENGAN OPTIMASI PARAMETER MENGGUNAKAN ALGORITMA GENETIKA
Abstract
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 walapun saat ini telah tersaingi oleh Malaysia. Harga
CPO Indonsia saat ini masih tergantung dari bursa forward Roterdam. Prediksi harga
CPO sangat diperlukan khususnya bagi para pembuat kebijakan, investor maupun
perusahaan untuk menentukan patokan harga CPO, karena perkembangan harga CPO
tergantung oleh beberapa faktor seperti iklim dan cuaca, harga minyak mentah dan
komoditi subsidi. 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. Algoritma
Genetika digunakan untuk melakukan optimasi parameter yang menjadi kelemahan pada
metode Support Vector Machine. Pada penelitian ini, eksperimen dengan menggunakan 3
jenis kernel yang pertama tipe kernel dot dengan RMSE sebesar 0,1289, akurasi sebesar
84,6%, yang kedua tie kernel radial dengan RMSE sebesar 0,0001, akurasi sebesar 98,5%
dan yang ketiga tipe kernel Polynomial dengan RMSE sebesar 0,131 akurasi sebesar
83,3%.
Kata kunci : Prediksi, Harga, Crude Palm Oil, Support Vector Machine, Algoritma
Genetika
Full Text:
PDF (Bahasa Indonesia)References
Arampongsanuwat, S., & Meesad, P. (2011).
Prediction of PM 10 using Support
Vector Regression. International
Conference on Information and
Electronics Engineering, 6, 120–124.
Chen, B., & Chen, M. (2011). Applying
particles swarm optimization for support
vector machines on predicting company
financial crisis. Iternational Conference
on Business and Economic Research, 1,
–305.
Dawson, C. W. (2009). Project in computing
and information system (Second Edi.).
Addison Wesley.
Fausett, L. (1994). Fundamental Of Neural
Network Architecture, Algorithms, And
Applications. New Jersey: Prentice Hall.
Gupta, Madan, M. ., Jin, L., & Homma, N.
(2003). Static And Dynamic Neural
Networks From Fundamentals to
Advanced Theory. A John Wiley and
Sons, Ltd.
Haupt, R. L. ., & Haupt, S. E. (2004).
Practical Genetic Algorithms (Second
Edi.). New Jersey: A John Wiley and
Sons, Ltd.
Indonesia, D. P. (2007). Gambaran Sekilas
Industri Minyak Kelapa Sawit. Jakarta:
World Growth Palm Oil Development
Compaign.
Jian, Z., Xibing, L., & Xiuzhi, S. (2012).
Long-term prediction model of rockburst
in underground openings using heuristic
algorithms and support vector machines
q. Elsevier, 50(4), 629–644.
doi:10.1016/j.ssci.2011.08.065
Melanie, M. (1999). An Introduction to
Genetic Algorithms (Five Editi.).
London: MIT Press.
Min, J. H., & Lee, Y. C. (2005). Bankruptcy
prediction using support vector machine
with optimal choice of kernel function
parameters. Elsevier, 28(4), 603–614.
doi:10.1016/j.eswa.2004.12.008
Badan Promosi Dan Investasi Daerah. (2009).
Profil Proyek Komoditi Unggulan
Daerah Kalimantan Timur. Badan
Perijinan Dan Penanaman Modal
Daerah.
Mohandes, M. A., Halawani, T. O., Rehman,
S., & Hussain, A. A. (2004). Support
vector machines for wind speed
prediction. Elsevier, 29, 939–947.
doi:10.1016/j.renene.2003.11.009
Petrova, N. V., & Wu, C. H. (2006).
Prediction of catalytic residues using
Support Vector Machine with selected
protein sequence and structural
properties. BMC Bioinformatics, 7(1),
Departemen Pertanian RI. (2011). Manfaat
Minyak Sawit bagi Perekonomian
Indonesia. World Growth Palm Oil
Development Compaign. World Growth
Palm Oil Development Compaign.
Kementrian Perdagangan RI. (2010). Kontrak
Berjangka. Badan Pengawasan
Perdagangan Berjangka Komoditi.
Shi, Y., Tian, Y., Kou, G., Peng, Y., & Lia, J.
(2011). Optimization Based Data Mining
Theory and Application. Springer
London. doi:10.1007/978-0-85729-504-0
Shukla, A., Tiwari, R., & Kala, R. (2010).
Real Life Application of Soft Computing.
CRC Press.
Sreelakshmi, K., & Kumar, P., R. (2008).
Short Term Wind Speed Predicting
Using Support Vector Machine Model.
WSEAS Transactions, 7(11), 1828–1837.
Sumathi, S., Sivanandam, S. N., Lei, V., Chen,
Z., & Nguang, S. K. (2006). Introduction
to Data Mining and its Applications
Studies in Computational Intelligence
(Volume 29.). London: Springer.
Vapnik, V. (1998). The Nature Of Statistik
Learning Theory. John Wiley & Sons.
Warta Penelitian Dan Pengembangan
Pertanian. (2009). Membentuk Harga
Referensi CPO Dunia di Indonesia, 16–
Weise, T. (2009). Global Optimization
Algorithms – Theory and Application –
(Second Edi.). it-weise.de (selfpublished).
Retrieved from
http://www.itweise.
de/documents/metaWGOEB.html
Wu, X., Kumar, V., Ross Quinlan, J., Ghosh,
J., Yang, Q., Motoda, H., McLachlan, G.
J., et al. (2007). Top 10 algorithms in
data mining (Vol. 14, pp. 1–37). CRC
Press. doi:10.1007/s10115-007-0114-2
DOI: https://doi.org/10.58217/ipsikom.v1i1.5
Refbacks
- There are currently no refbacks.
LPPM Universitas Insan Pembangunan Indonesia
Jl. Raya Serang Km. 10 Bitung, Curug, Tangerang 15810
Telp. 021-59492836 / 02159492837
Website : http://www.lppm.ipem.ac.id
Email : lppm@ipem.ac.id
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.