SUPPORT VECTOR REGRESSION YANG DIOPTIMASI MENGGUNAKAN ALGORITMA GENETIKA UNTUK MEMPREDIKSI PERTUMBUHAN GROSS DOMESTIC PRODUCT INDONESIA

BENI SETIAJI, Dr. Gunardi, M.Si ; Vemmie Nastiti Lestari, S.Si., M.Sc

2017 | Skripsi | S1 STATISTIKA

Situasi dan pertumbuhan perekonomian suatu negara dapat dilihat melalui salah satu konsep yaitu Gross Domestic Product (GDP). Umumnya GDP memiliki pola yang tidak linear. Salah satu metode regresi yang cocok untuk mengatasi kasus ini adalah metode Support Vector Regression (SVR). Jenis SVR yang akan digunakan adalah nu-SVR (v-SVR) dengan bantuan Kernel tunggal. Metode tersebut mampu memprediksi GDP tanpa harus memenuhi asumsi klasik stasioneritas dan asumsi linearitas. Pada metode v-SVR terdapat beberapa parameter yang mempengaruhi akurasi prediksi dan generalisasi model, diantaranya yaitu, v, C, dan sigma. Sangat penting untuk menentukan nilai dari ketiga parameter tersebut agar dihasilkan model v-SVR yang reliabel. Parameter C mengontrol keseimbangan antara maksimasi margin dan minimasi eror. Semakin besar C akan mengurangi training error, tetapi beresiko kehilangan sifat generalisasinya dan hal ini biasa disebut dengan overfitting. Parameter v menentukan batas atas pada fraksi margin error sekaligus menjadi batas bawah fraksi jumlah support vector. Parameter sigma adalah lebar kernel, semakin kecil nilainya, model lebih dekat pada overfitting. Pada penelitian ini, dilakukan proses training dengan lima proporsi data training berbeda, yaitu 50%, 60%, 70%, 80%, dan 90%. Pada kasus ini, proporsi data training yang memberikan hasil prediksi pertumbuhan GDP Indonesia terbaik adalah proporsi data training sebesar 70% .

The economic situation and the economic growth of a country can be found from a concept such as Gross Domestic Product (GDP). Commonly GDP has non-linear pattern. One of regression method that can handle those pattern is Support Vector Regression (SVR) method. The kind of SVR that will be used here is nu-SVR (v-SVR) with single Kernel. The method able to predict GDP without having classic assumption such as stationarity assumption and linearity assumption. There are some parameters on v-SVR method that influence the prediction accuracy and generalization ability of the model, those are v,C, and sigma. It is very important to determine the value of those parameters in order to gain the reliabel v-SVR model. The parameter C control the tradeoff between margin maximization and error minimization. The bigger value of C will reduce the training error, but give the risk of loosing the generalization characteristic which often called as overfitting. The parameter v determine the upper bound of margin error fraction and also determine the lower bound of fraction of total support vectors. The parameter sigma is the kernel width, if the value of sigma is low, the model will close to overfitting. This research run the training process in five different proportions of training data, the proportions are 50%, 60%, 70%, 80%, and 90%. In this case, training data proportion that give the best prediction on Indonesia’s GDP growth is 70% proportion of training data.

Kata Kunci : Algoritma Genetika, Support Vector Regression, Pemilihan Lag