Peramalan Harga Batubara Acuan Menggunakan Metode PSOSVR Dan IPSOSVR

Alliseu Umiyati, Dadan Dasari, Fitriani Agustina

Abstract


Batubara adalah salah satu jenis bahan bakar fosil yang seringdimanfaatkan oleh perusahaan industri. Fluktuasi harga batubaramengakibatkan perusahaan industri sulit untuk memperkirakan hargabatubara. Dengan demikian dibutuhkan alokasi anggaran dana berupaperkiraan harga batubara. Sebuah model prediksi harga batubara acuanuntuk melihat harga batubara acuan di masa yang akan datang sangatdiperlukan, sehingga perusahaan industri dapat mengalokasikan danadengan tepat untuk memaksimalkan keuntungan dan meminimumkanbiaya produksi. Terdapat beberapa studi yang membahas tentang prediksiharga batubara acuan menggunakan machine learning yang salah satunyayaitu menggunakan support vector regression (SVR). Namun, metodetersebut masih memiliki kekurangan pada penentuan nilai parameter yangtepat. Diperlukan algoritma optimasi untuk membantu menentukan nilaiparameter yang tepat. Oleh karena itu, pada penelitian ini bertujuan untukmelakukan peramalan harga batubara acuan menggunakan data historisperiode bulan Januari 2009 sampai dengan bulan Oktober 2019, denganmenggunakan metode support vector regression (SVR) yang dioptimasidengan particle swarm optimization (PSO) dan improved-particle swarmoptimization (IPSO), yang dievaluasi hasil peramalannya menggunakanMAPE. Berdasarkan penelitian yang telah dilakukan, prediksi hargabatubara acuan menggunakan metode PSOSVR menghasilkan nilaiMAPE sebesar 3,911% dan metode IPSOSVR menghasilkan nilai MAPEsebesar 3,916%. Sedangkan untuk prediksi menggunakan parameter SVRyang tidak dioptimasi menghasilnya nilai MAPE sebesar 13,388%

Keywords


Harga Batubara Acuan, Improved-Particle Swarm Optimization, Mean Absolute Precentage Error, Particle Swarm Optimization, Peramalan, Support Vector Regression

Full Text:

PDF

References


Ditjen Minerba Kementrian ESDM. (2019).

Kennedy, J., & Eberhart, R. (1995). Particle Swarm Optimization. Neural Networks., Proceedings., IEEE Int. Conf, 4, pp. 1942– 1948.

Qasim, S. Q., & Algamal, Z. Y. (2018). Feature Selection Using Particle Swarm Optimization-based Logistic Regression Model. Chemometrics and Intelligent Laboratory System, 182, Pp 41-46.

Vapnik, V. (1999). An Overview of Statistical Learning Theory. IEEE Transactionson Neural Networks, 10(5), pp.988–999.

Smola, A. J., & Scholkopf, B. (2004). A Tutorial On Support Vector Regression. The Journal of Statistics and Computing, 14(3) Pp. 199-222.

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning Second. New York: Springer-Verlag.

Engelbrecht, A. P. (2007). Computational Intelligence: An Introduction 2nd ed., West Sussex: John Wiley & Sons Ltd.

Marini, F., & Walczak, B. (2015). Particle swarm optimization (PSO). A tutorial. IEEE Chemometrics and Intelligent La-boratory Systems, 13.

Zhang, K., Qiu, B., & Mu, D. (2016). Low-carbon Logistics Distribution Route Planning With Improved Particle Swarm Optimization Algorithm. School of Economics and Management Beijing Jiaotong University Beijing, China.

Zou, Jifeng, Chenlong, L., & Qiao, L. (2015). Fault Prediction Method based on SVR of Improved PSO. China: School of Information Science and Engineering, Shenyang Ligong University, Shenyang 110159.

Vijayakumar, S. (1999). Sequential Support Vector Classifiers and Regression. In Proceedings of International Conference on Soft Computing (SOCO ‘99), 610–619.

Khair, U., Fahmi, H., Al Hakim, S., & Rahim, R. (2017, December). Forecasting error calculation with mean absolute deviation and mean absolute percentage error. In Journal of Physics: Conference Series (Vol. 930, No. 1, p. 012002). IOP Publishing.

Chai, Y. (2011). A Coal Mine Gas Concentration Prediction Method based on Particle Swarm Optimization Support Vector Regression. IEEE, 334- 337.

Cholissodin, I., & Riyandani, I. (2016). Swarm Intelligence. Malang: Fakultas Ilmu Komputer, Universitas Brawijaya.

Hseih, H.-I, Lee, T.-P, & Lee, T.-S. (2011). A Hybrid Particle Swarm Optimization and Support Vector Regression Model for Financial Time Series Forecasting. Int. Journal of Business Administration, 2, 48-56.

Novitasari, D., Cholissodin, I., & Mahmudy, W. F. (2016). Hybridizing PSO with SA for Optimizing SVR Applied to Software Effort Estimation. TELKOMNIKA, pp. 245-253.

Saputro, F. D., & W, N. I. (2017). Penerapan Support Vector Regression Dengan Optimasi PSO Dalam Memprediksi Harga Gabah.




DOI: https://doi.org/10.17509/jem.v9i2.40064

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Jurnal EurekaMatika

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.