Perbandingan Algoritme Extreme Learning Machine dengan
Support Vector Regression Untuk Prediksi Harga Cabai Rawit di
Kota Jakarta (Studi Kasus: Pasar Jatinegara, Jakarta Timur)
Total View This Week0
Total View This Week0
Institusion
Universitas Darma Persada
Author
Wahyu Edi, Suryanto
Subject
518.1 Algorithms/Algoritma
Datestamp
2021-12-13 07:55:19
Abstract :
Cabai rawit merupakan komoditas sayuran yang sangat penting bagi masyarakat Indonesia karena cabai rawit mengandung banyak vitamin dan zat gizi yang dibutuhkan untuk menjaga dan meningkatkan daya tahan tubuh. Selain itu, rasa pedas pada cabai rawit berkhasiat untuk menambah nafsu makan sehingga hal tersebut menjadi alasan banyak masyarakat Indonesia untuk mengkonsumsi cabai rawit. Mengingat kebutuhan masyarakat Indonesia akan cabai rawit terus meningkat membuat harga cabai rawit mengalami fluktuasi. Kenaikan harga yang fluktuatif menimbulkan kerugian pada beberapa kalangan, yaitu pedangan dan pengusaha kuliner yang menggunakan cabai rawit sebagai bahan utamanya. Untuk itu, dibutuhkan suatu metode untuk memprediksi harga cabai rawit di masa yang akan datang. Dengan melakukan prediksi harga cabai rawit diharapkan dapat membantu pedagang untuk mengendalikan jumlah permintaan cabai rawit dan pengusaha kuliner yang menggunakan cabai rawit sebagai bahan utama karena hasil prediksinya dapat digunakan untuk menekan modal pengeluaran sehingga para pengusaha bisa mendapatkan keuntungan yang maksimal. Data yang digunakan pada penelitian ini berupa data time series yang disusun berdasarkan waktu. Prediksi pada data time series memiliki tingkat kompleksitas yang tinggi sehingga dibutuhkan suatu metode yang dapat menghasilkan prediksi. Algoritme Extreme Learning Machine (ELM) dan Support Vector Regression (SVR) diusulkan peneliti karena dinilai mampu memberikan hasil prediksi dengan tingkat kesalahan yang rendah. Berdasarkan penelitian yang telah dilakukan, algoritme SVR menghasilkan nilai Mean Average Percentage Error (MAPE) sebesar 1,4919% dengan waktu komputasi sebesar 3,0919356 seconds sedangkan algoritme ELM menghasilkan nilai MAPE sebesar 3,6746% dengan waktu komutasi sebesar 0,0110832 seconds. Dari hasil tersebut dapat disimpulkan bahwa algoritme ELM unggul dalam proses pembelajaran sedangkan algoritme SVR unggul dalam akurasi tingkat kesalahan. Namun, kedua algoritme tersebut mampu menghasilkan nilai prediksi dengan tingkat kesalahan yang kurang dari 10%. Hal tersebut menunjukan bahwa nilai prediksi yang dihasilkan termasuk dalam kategori yang sangat baik.
Cabai rawit merupakan komoditas sayuran yang sangat penting bagi masyarakat Indonesia karena cabai rawit mengandung banyak vitamin dan zat gizi yang dibutuhkan untuk menjaga dan meningkatkan daya tahan tubuh. Selain itu, rasa pedas pada cabai rawit berkhasiat untuk menambah nafsu makan sehingga hal tersebut menjadi alasan banyak masyarakat Indonesia untuk mengkonsumsi cabai rawit. Mengingat kebutuhan masyarakat Indonesia akan cabai rawit terus meningkat membuat harga cabai rawit mengalami fluktuasi. Kenaikan harga yang fluktuatif menimbulkan kerugian pada beberapa kalangan, yaitu pedangan dan pengusaha kuliner yang menggunakan cabai rawit sebagai bahan utamanya. Untuk itu, dibutuhkan suatu metode untuk memprediksi harga cabai rawit di masa yang akan datang. Dengan melakukan prediksi harga cabai rawit diharapkan dapat membantu pedagang untuk mengendalikan jumlah permintaan cabai rawit dan pengusaha kuliner yang menggunakan cabai rawit sebagai bahan utama karena hasil prediksinya dapat digunakan untuk menekan modal pengeluaran sehingga para pengusaha bisa mendapatkan keuntungan yang maksimal. Data yang digunakan pada penelitian ini berupa data time series yang disusun berdasarkan waktu. Prediksi pada data time series memiliki tingkat kompleksitas yang tinggi sehingga dibutuhkan suatu metode yang dapat menghasilkan prediksi. Algoritme Extreme Learning Machine (ELM) dan Support Vector Regression (SVR) diusulkan peneliti karena dinilai mampu memberikan hasil prediksi dengan tingkat kesalahan yang rendah. Berdasarkan penelitian yang telah dilakukan, algoritme SVR menghasilkan nilai Mean Average Percentage Error (MAPE) sebesar 1,4919% dengan waktu komputasi sebesar 3,0919356 seconds sedangkan algoritme ELM menghasilkan nilai MAPE sebesar 3,6746% dengan waktu komutasi sebesar 0,0110832 seconds. Dari hasil tersebut dapat disimpulkan bahwa algoritme ELM unggul dalam proses pembelajaran sedangkan algoritme SVR unggul dalam akurasi tingkat kesalahan. Namun, kedua algoritme tersebut mampu menghasilkan nilai prediksi dengan tingkat kesalahan yang kurang dari 10%. Hal tersebut menunjukan bahwa nilai prediksi yang dihasilkan termasuk dalam kategori yang sangat baik.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
