Perbandingan Metode Random Forest, Linier Regression, SVM Untuk Memprediksi Harga Beras Premium
DOI:
https://doi.org/10.47701/yqx4ss53Keywords:
Harga Beras, Random Forest, Linier Regression, SVM, PrediksiAbstract
Di Indonesia beras merupakan bahan pokok utama yang sangat mempengaruhi per ekonomian dan kesejahteraan masyarakat. Oleh karena itu, prediksi harga beras menjadi sangat penting dalam memembantu pemerintah mengambil keputusan kedepan untuk menjaga stabilitas ekonomi negara dan menjaga kesejahteraan masyarakat. Penelitian ini bertujuan untuk memprediksi harga beras premium menggunakan algoritma Random Forest, Linier Regression dan SVM melakukan perbandingan metode manakah yang lebih akurat dalam memprediksi harga beras di hari yang akan datang. Data yang di gunakan dalam penelitian ini bersumber dari compas.com dari tahun 2024 – 2025 untuk memprediksi harga beras di tahun 2026. Model diuji menggunakan pendekatan supervised learning dengan validasi silang untuk memastikan keandalan hasil. Berdasarkan hasil pengujian yang di lakukan dengan algoritma Random Forest, Linier Regression, dan SVM memberikan hasil evaluasi bahwa metode Random Forest lah yang paling akurat hasilnya, karena berdasarkan evaluasi MAE (mean absolute error) nilai rata-rata terkecilah yang paling akurat untuk prediksi harga beras, maka dalam hal prediksi harga beras metode Random Forestlah yang sangat cocok untuk di gunakan para peneliti.
References
[1] R. E. Putra dan A. S. Sinaga, “Perkiraan Harga Beras Premium DKI Jakarta Menggunakan Regresi Linier.”
[2] B. Ghulam, A. Shidiq, M. T. Furqon, dan L. Muflikhah, “Prediksi Harga Beras menggunakan Metode Least Square,” 2022. [Daring]. Tersedia pada: http://j-ptiik.ub.ac.id
[3] V. Wanika Siburian, J. Sistem Komputer Universitas Sriwijaya Palembang, dan I. Elvina Mulyana, Prediksi Harga Ponsel Menggunakan Metode Random Forest. 2018.
[4] J. Hutahaean dan D. Yusup, “Perbandingan Metode Linear Regression, Random Forest & K-Nearest Neighbor Untuk Prediksi Produksi Hasil Panen Padi Di Provinsi Jawa Barat,” 2024.
[5] A. Kholiq Fajar, M. Zaenal Mutaqin, M. Malik Mutoffar, dan D. Setiyadi, “Sekolah Tinggi Teknologi Bandung, 5 Program Studi Sistem Informasi,” STMIK Sinar Nusantara Jln. Sersan Aswan, vol. 7, no. 1, 2024, doi: 10.36595/misi.v5i2.
[6] R. N. Silalahi dan M. Muljono, “Perbandingan Kinerja Metode Linear Regression, LSTM dan GRU Untuk Prediksi Harga Penutupan Saham Coco-Cola,” Komputika : Jurnal Sistem Komputer, vol. 13, no. 2, hlm. 201–211, Okt 2024, doi: 10.34010/komputika.v13i2.12265.
[7] E. Mardiani dkk., “Copyright @ Analisis Prediksi Pendapatan Penduduk dengan Metode K- Nearest Neighbor, Decision Tree, Naive Bayes, Ensemble Methods, dan Linear Regression”.
[8] S. K. Parinduri, R. Rosnelly, A. Purnama, A. Sihotang, dan M. C. Adelina, “Perbandingan Algoritma Support Vector Machine Dan K- Nearest Neighbors Pada Kematangan Buah Sawit,” JURNAL DEVICE, vol. 13, hlm. 147–155, 2023, [Daring].
Tersedia pada: https://indonesiabaik.id/infografis/indonesia-
[9] A. A. Suryanto, A. Muqtadir, dan S. Artikel, “Penerapan Metode Mean Absolute Error (Mea) Dalam Algoritma Regresi Linear Untuk Prediksi Produksi Padi Info Artikel : Abstrak,” no. 1, hlm. 11, 2019.
[10] I. Rosianal dkk., “Perbandingan Hasil Prediksi Diagnosis pada Indian Liver Patient Dataset (ILPD) dengan Teknik Supervised Learning Menggunakan Software Orange,” Jurnal Telematika, vol. 16, no. 2.
[11] A. C. Handoko dan H. Hendry, “Perbandingan Metode Supervised Learning Untuk Prediksi Diabetes Gestasional Dengan Software Orange,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 8, no. 4, hlm. 1238–1247, Nov 2023, doi: 10.29100/jipi.v8i4.4166. S. M. Metev and V. P. Veiko, Laser Assisted Microtechnology, 2nd ed., R. M. Osgood, Jr., Ed. Berlin, Germany: Springer-Verlag, 1998.
[12] S. Alim, “Implementasi Orange Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Dengan Model K-Nearest Neighbor, Decision Tree Serta Naive Bayes Orange Data Mining Implementation For Student Graduation Classification Using K-Nearest Neighbor, Decision Tree And Naive Bayes Models.”
