Prediksi harga komoditas Karet menggunakan Support Vector Regression (SVR)

INDONESIA:

Harga karet alam merupakan data deret waktu yang memiliki karakteristik nonlinier dan volatil sehingga menimbulkan tantangan dalam proses prediksi. Penelitian ini bertujuan untuk mengevaluasi kinerja Support Vector Regression (SVR) dengan kernel Radial Basis Function (RBF) serta mengkaji pengaruh optimasi hyperparameter menggunakan Grid Search dalam prediksi harga karet alam.

Data yang digunakan berupa data harga karet global bulanan periode Januari 2000 hingga Desember 2020 yang diperoleh dari IndexMundi dengan total 252 observasi. Penelitian dilakukan melalui dua skenario, yaitu SVR tanpa optimasi hyperparameter dan SVR dengan optimasi hyperparameter menggunakan Grid Search. Evaluasi kinerja model dilakukan menggunakan Root Mean Squared Error (RMSE) pada data pengujian periode Januari 2018 hingga Desember 2020.

Hasil penelitian menunjukkan bahwa optimasi hyperparameter mampu meningkatkan kinerja model dengan menurunkan nilai RMSE dari 0.188203 menjadi 0.115199. Kombinasi hyperparameter terbaik yang diperoleh adalah C = 100, epsilon = 0.01, dan gamma = 0.1 dengan nilai RMSE validasi silang sebesar 0.038695. Hasil penelitian ini menunjukkan bahwa SVR dengan kernel RBF yang dioptimasi menggunakan Grid Search memiliki kemampuan yang lebih baik dalam memprediksi harga karet alam dan berpotensi menjadi pendukung pengambilan keputusan bagi petani, pelaku industri, maupun pemerintah.

ENGLISH:

Natural rubber prices constitute a time-series dataset characterized by nonlinear and volatile patterns, making the prediction process challenging. This study aims to evaluate the performance of Support Vector Regression (SVR) with a Radial Basis Function (RBF) kernel and to examine the effect of hyperparameter optimization using Grid Search on natural rubber price prediction.

The dataset consists of monthly global rubber prices from January 2000 to December 2020 obtained from IndexMundi, comprising a total of 252 observations. The study was conducted using two scenarios: SVR without hyperparameter optimization and SVR with hyperparameter optimization using Grid Search. Model performance was evaluated using Root Mean Squared Error (RMSE) on the testing data covering the period from January 2018 to December 2020.

The results indicate that hyperparameter optimization improved model performance by reducing the RMSE from 0.188203 to 0.115199. The best hyperparameter combination obtained was C = 100, epsilon = 0.01, and gamma = 0.1, achieving a cross-validation RMSE of 0.038695. The findings demonstrate that SVR with an RBF kernel optimized through Grid Search provides better predictive performance for natural rubber prices and has the potential to support decision-making processes for farmers, industry stakeholders, and policymakers.

ARABIC:

إنَّ أسعار المطاط الطبيعي هي بيانات سلاسل زمنية تتميز بخصائص غير خطية ومتقلبة، مما يشكل تحديًا في عملية التنبؤ. تهدف هذه الدراسة إلى تقييم أداء انحدار المتجهات الداعمة في التنبؤ بأسعار المطاط (SVR) باستخدام نواة دالة الأساس الشعاعي (RBF)، بالإضافة إلى دراسة تأثير تحسين المعلمات الفائقة (Hyperparameter Optimization) باستخدام البحث الشبكي (Grid Search) الطبيعي.

العالمية الشهرية للفترة من يناير ٢٠٠٠ إلى ديسمبر ٢٠٢٠، والتي تم الحصول عليها من موقععلى بيانات الاختبار للفترة من يناير ٢٠١٨ (IndexMundi) البيانات المستخدمة هي بيانات أسعار المطاط بإجمالي ٢٥٢ ملاحظة. أُجريت الدراسة من خلال سيناريوهين: الأول هو بدون تحسين المعلمات الفائقة، والثاني هو (SVR) مع تحسين المعلمات الفائقة باستخدام البحث الشبكي. وتم تقييم أداء النموذج باستخدام جذر متوسط مربع الخطأ (RMSE) إلى ديسمبر ٢٠٢٠

من وأظهرتالنتائج أن تحسين المعلمات الفائقة قادر على رفع كفاءة أداء النموذج من خلال خفض قيمة للتحقق المتبادل بلغت ٠,٠٣٨٦٩٥. وتُشير نتائج (RMSE) من ٠,١٨٨٢٠٣ إلى ٠,١١٥١٩٩. وكانت أفضل توليفة معلمات فائقة تم الحصول عليها هي C = ١٠٠epsilon, = ٠.٠١ gamma, = ٠.١، مع قيمة (RMSE) للتحقق المتبادل بلغت ٠,٠٣٨٦٩٥. وتُشير نتائج هذه الدراسة إلى أن نموذج (SVR) بنواة (RBF) المحسّن بواسطة البحث الشبكي يمتلك قدرة أفضل على التنبؤ بأسعار المطاط الطبيعي، وله القدرة على أن يكون أداة لدعم اتخاذ القرار للمزارعين، والفاعلين في القطاع الصناعي، والحكومة