Electronic Theses and Dissertation

Support Vector Regression (SVR) merupakan salah satu metode machine learning yang digunakan untuk melakukan prediksi dengan memanfaatkan fungsi kernel. Metode ini dapat digunakan untuk memprediksi harga beras yang merupakan komoditas strategis karena berpengaruh terhadap ketahanan pangan dan stabilitas ekonomi masyarakat. Penelitian ini bertujuan menerapkan SVR untuk memprediksi harga beras di Provinsi Aceh menggunakan kernel linear, polynomial, sigmoid, dan Gaussian RBF serta menganalisis pengaruh variasi parameter C dan ε terhadap akurasi prediksi. Data yang digunakan berupa data harga beras bulanan Provinsi Aceh periode Januari 2020 hingga Desember 2024 yang diperoleh dari PIHPS Nasional. Tahapan penelitian meliputi penentuan lag menggunakan Partial Autocorrelation Function (PACF), normalisasi data dengan Min-Max Scaling, optimasi parameter menggunakan Grid Search Cross-Validation, serta evaluasi model menggunakan Root Mean Square Error (RMSE). Hasil penelitian menunjukkan bahwa variasi parameter C dan ε berpengaruh terhadap akurasi model SVR. Berdasarkan hasil evaluasi, kernel linear memberikan performa terbaik dengan nilai RMSE sebesar 0.3083, diikuti kernel sigmoid sebesar 0.4724, kernel Gaussian RBF sebesar 1.5870, dan kernel polynomial sebesar 3.7163. Parameter optimal pada kernel linear diperoleh pada C=1 dan ε=0.01. Hasil penelitian menunjukkan bahwa model SVR dengan kernel linear mampu menghasilkan prediksi harga beras yang paling mendekati data aktual di Provinsi Aceh.

Kata kunci: Support vector regression, Grid Search Cross-Validation, harga beras, prediksi, RMSE.

Support vector regression (SVR) is a machine learning method used for prediction by utilizing kernel functions. This method can be applied to predict rice prices, which are considered a strategic commodity due to their impact on food security and economic stability. This study aims to implement SVR for predicting rice prices in Aceh Province using linear, polynomial, sigmoid, and Gaussian RBF kernels and to analyze the effect of variations in the Cand εparameters on prediction accuracy. The data used in this study consist of monthly rice price data in Aceh Province from January 2020 to December 2024 obtained from the National Strategic Food Price Information Center (PIHPS Nasional). The research procedures include lag determination using the Partial Autocorrelation Function (PACF), data normalization using Min-Max Scaling, parameter optimization using Grid Search Cross-Validation, and model evaluation using the Root Mean Square Error (RMSE). The results indicate that variations in the Cand εparameters affect the accuracy of the SVR model. Based on the evaluation results, the linear kernel achieved the best performance with an RMSE value of 0.3083, followed by the sigmoid kernel with 0.4724, the Gaussian RBF kernel with 1.5870, and the polynomial kernel with 3.7163. The optimal parameters for the linear kernel were obtained at C=1 and ε=0.01. These results indicate that the SVR model with a linear kernel provides predictions that are closest to the actual rice price data in Aceh Province. Keywords: Support vector regression, Grid Search Cross-Validation, rice price, forecasting, RMSE.