Umah, Fitriatul (2024) Perbandingan Metode Hybrid ARIMA-SVR dan Genetic Algorithm-SVR untuk Peramalan Indeks Harga Perdagangan Besar Indonesia. Other thesis, Institut Teknologi Sepuluh Nopember.
![[thumbnail of 5006201018-Undergraduate_Thesis.pdf]](http://repository.its.ac.id/style/images/fileicons/text.png) |
Text
5006201018-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (3MB) | Request a copy |
Abstract
Indeks Harga Perdagangan Besar (IHPB) merupakan angka yang mencerminkan perubahan harga secara grosir dari komoditas yang diperdagangkan di suatu wilayah. Peramalan IHPB seringkali menghadapi tantangan, seperti fluktuasi harga yang tidak terduga dan perubahan kondisi pasar. Data IHPB merupakan data deret waktu. Data deret waktu dapat mengandung komponen linear atau non-linear. Namun, pada kenyataannya deret waktu seringkali memiliki komponen linier dan nonlinier secara bersamaan. Penelitian ini menerapkan dua metode peramalan, yaitu metode hybrid Autoregressive Integrated Moving Average – Support Vector Regression (ARIMA-SVR) dan Genetic Algorithm – Support Vector Regression (GA-SVR). Metode ARIMA-SVR menggabungkan ARIMA dalam mendeteksi tren dan pola waktu dengan SVR dalam mengatasi hubungan nonlinier yang kompleks. Sementara itu, pendekatan GA-SVR memanfaatkan algoritma genetika untuk mengoptimalkan parameter SVR, dengan tujuan untuk meningkatkan akurasi prediksi. Penelitian ini bertujuan untuk membandingkan metode Hybrid ARIMA–SVR dan GA–SVR untuk peramalan IHPB Sektor Pertambangan dan Penggalian. Data yang akan digunakan pada penelitian ini adalah data sekunder dari Badan Pusat Statistik (BPS) yang berupa data IHPB Sektor Pertambangan dan Penggalian pada periode bulan Januari 2014 hingga Juni 2024. Metode ARIMA, hybrid ARIMA-SVR, SVR, dan GA-SVR dibandingkan berdasarkan nilai RMSE, MAE dan MAPE. Model GA-SVR merupakan model terbaik karena memiliki tingkat akurasi yang lebih baik dibandingkan model lainnya. Metode GA-SVR kernel RBF menghasilkan model dengan nilai parameter C = 492,6716, γ = 0,006970167, dan ε = 0,00728789. Model GA-SVR memiliki kebaikan model pada peramalan data testing menghasilkan nilai RMSE sebesar 0,7596174, MAE adalah 0,6016251, dan MAPE sebesar 0,4815914%.
========================================================================================================================
The Wholesale Price Index (WPI) reflects the changes in wholesale prices of commodities traded in a specific region. Forecasting the WPI often faces challenges such as unexpected price fluctuations and changing market conditions. The WPI data is a time series dataset, which can contain linear or nonlinear components. In practice, time series often have both linear and nonlinear components simultaneously. This study applies two forecasting methods: the hybrid Autoregressive Integrated Moving Average - Support Vector Regression (ARIMA-SVR) and Genetic Algorithm - Support Vector Regression (GA-SVR). The ARIMA-SVR method combines ARIMA to detect trends and time patterns with SVR to handle complex nonlinear relationships. Meanwhile, the GA-SVR approach utilizes genetic algorithms to optimize SVR parameters, aiming to improve prediction accuracy. This study aims to compare the Hybrid ARIMA-SVR and GA-SVR methods for forecasting the WPI of the Mining and Quarrying Sector. The data used in this study is secondary data from the Central Statistics Agency (BPS), specifically the WPI data for the Mining and Quarrying Sector from January 2014 to June 2024. The ARIMA, hybrid ARIMA-SVR, SVR, and GA-SVR methods are compared based on RMSE, MAE, and MAPE. The GA-SVR model is the best model, with better accuracy compared to the other models. The GA-SVR model with an RBF kernel produces a model with parameter values of C = 492.6716, γ = 0.006970167, and ε = 0.00728789. The GA-SVR model's performance in forecasting the testing data yields an RMSE of 0.7596174, an MAE of 0.6016251, and a MAPE of 0.4815914%.
Actions (login required)
 |
View Item |