PENERAPAN ALGORITMA SUPPORT VECTOR REGRESSION (SVR) UNTUK PREDIKSI HARGA MINYAK BUMI SKRIPSI

(1)

i

PENERAPAN ALGORITMA SUPPORT VECTOR

REGRESSION (SVR) UNTUK PREDIKSI

HARGA MINYAK BUMI

SKRIPSI

Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer (S.Kom.)

Raynaldi Ginantara Setiawan 00000013221

PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK DAN INFORMATIKA UNIVERSITAS MULTIMEDIA NUSANTARA

TANGERANG 2020

(2)

ii

LEMBAR PENGESAHAN

PENERAPAN ALGORITMA SUPPORT VECTOR REGRESSION (SVR) UNTUK PREDIKSI

HARGA MINYAK BUMI

Oleh

Nama : Raynaldi Ginantara Setiawan

NIM : 00000013221

Program Studi : Informatika

Fakultas : Teknik & Informatika

Tangerang, 21 Mei 2020

Ketua Sidang Dosen Penguji

Adhi Kusnadi, S.T, M.Si. Eunike Endariahna Surbakti, S.Kom., M.T.I.

Dosen Pembimbing

Marlinda Vasty Overbeek S.Kom., M.Kom.

Mengetahui,

Ketua Program Studi Informatika

(3)

iii

PERNYATAAN TIDAK MELAKUKAN PLAGIAT

Dengan ini saya:

Nim : 00000013221

Fakultas : Teknik dan Informatika

Menyatakan bahwa Skripsi yang berjudul “Penerapan Algoritma Support Vector

Regression (SVR) untuk Prediksi Harga Minyak Bumi” ini adalah karya ilmiah

saya sendiri, bukan plagiat dari karya ilmiah yang ditulis oleh orang lain atau lembaga lain, dan semua karya ilmiah orang lain atau lembaga lain yang dirujuk dalam Skripsi ini telah disebutkan sumber kutipannya serta dicantumkan di Daftar Pustaka.

Jika di kemudian hari terbukti ditemukan kecurangan/ penyimpangan, baik dalam pelaksanaan Skripsi maupun dalam penulisan laporan Skripsi, saya bersedia menerima konsekuensi dinyatakan TIDAK LULUS untuk mata kuliah Skripsi yang telah saya tempuh.

(4)

iv

PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS

Sebagai sivitas akademik Universitas Multimedia Nusantara, saya yang bertanda tangan dibawah ini:

NIM : 00000013221

Fakultas : Teknik dan Informatika Jenis Karya : Skripsi

Demi pengembangan ilmu pengetahuan, menyetujui dan memberikan izin kepada

Universitas Multimedia Nusantara hak Bebas Royalti Non-eksklusif (Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul:

Penerapan Algoritma Support Vector Regression (SVR) untuk Prediksi Harga Minyak Bumi

beserta perangkat yang diperlukan.

Dengan Hak Bebas Royalti Non-eksklusif ini, pihak Universitas Multimedia

Nusantara berhak menyimpan, mengalihmedia atau format-kan, mengelola dalam

bentuk pangkalan data (database), merawat, dan mendistribusi dan menampilkan atau mempublikasikan karya ilmiah saya di internet atau media lain untuk kepentingan akademis, tanpa perlu meminta izin dari saya maupun memberikan royalti kepada saya, selama tetap mencantumkan nama saya sebagai penulis karya ilmiah tersebut.

Demikian pernyataan ini saya buat dengan sebenarnya untuk dipergunakan sebagaimana mestinya.

(5)

v

HALAMAN PERSEMBAHAN / MOTO

Karya ini dipersembahkan untuk kedua orang tua atas dukungan dan

doa yang selalu diberikan tanpa mengenal lelah.

If your day is bad, always remember the happy little dog who though the parade was just for him

(6)

vi

KATA PENGANTAR

Puji dan syukur Penulis panjatkan kehadirat Tuhan Yang Maha Esa yang telah melimpahkan kasih dan sayang-Nya kepada kita, sehingga Penulis dapat menyelesaikan laporan skripsi yang berjudul “Penerapan Algoritma Support Vector

Regression (SVR) untuk Prediksi Harga Minyak Bumi”. Tujuan dari penyusunan

laporan skripsi ini adalah memenuhi salah satu syarat untuk dapat menyelesaikan perkuliahan dan memperoleh gelar Sarjana Komputer (S.Kom.).

Di dalam pengerjaan laporan ini telah melibatkan banyak pihak yang sangat membantu dalam banyak hal. Oleh sebab itu, disini Penulis sampaikan rasa terima kasih sedalam-dalamnya kepada:

1. Dr. Ninok Leksono, selaku Rektor Universitas Multimedia Nusantara

2. Dr. Eng. Niki Prastomo, S.T.,M.Sc. Dekan Fakultas Teknik dan Informatika Universitas Multimedia Nusantara,

3. Nunik Afriliana, S.Kom., MMSI., Ketua Program Studi Informatika Universitas Multimedia Nusantara, yang menerima penulis dengan baik untuk berkonsultasi.

4. Marlinda Vasty Overbeek, S.Kom., M.Kom., yang membimbing pembuatan Skripsi dan memberikan masukan serta dukungan untuk menyelesaikan skripsi tepat waktu.

5. Kepada kedua orang tua, dan teman-teman yang telah memberikan doa dan dukungan untuk penulis agar dapat menyelesaikan skripsi dengan lancar.

Penulis sadar bahwa dalam penyusunan laporan skripsi ini masih terdapat banyak kekurangan maupun kesalahan, semoga laporan skripsi ini dapat bermanfaat, baik sebagai sumber informasi maupun sumber inspirasi bagi para pembaca.

(7)

vii

PENERAPAN ALGORITMA SUPPORT VECTOR REGRESSION (SVR) UNTUK PREDIKSI

HARGA MINYAK BUMI

ABSTRAK

Minyak bumi merupakan salah satu sumber energi primer dan memiliki nilai ekonomis untuk negara penghasilnya. Pemakaian minyak bumi di Indonesia mengalami peningkatan dan tidak diimbangi dengan minyak bumi yang dihasilkan. Untuk memenuhi penggunaan minyak bumi, pemerintah harus mengambil kebijakan import minyak bumi dari negrara lain. Indonesia sebagai salah satu negara pengimport minyak bumi diharuskan untuk memantau pergerakan harga minyak yang tidak stabil setiap harinya agar mendapatkan harga yang relatif murah sebelum harganya naik. Untuk menyelesikan permasalahan prediksi harga minyak, dibangunlah sebuah sistem prediksi harga minyak bumi menggunakan algoritma Support vector Regression (SVR) yang merupakan algoritma Support Vector Machine (SVM) untuk permasalahan regresi. Penggunaan algoritma SVR dibantu dengan kernel Linear, Polynomial, dan Radial Basis Function (RBF) untuk mengatasi ketidak linearan harga minyak bumi. Parameter tuning dilakukan untuk mendapatkan parameter yang optimal dari SVR dan kernel yang dipakai. Hasil penelitian pada data latih dan uji menunjukan bahwa parameter terbaik untuk kernel linear didapatkan pada C=0.001 dan epsilon=1 dengan nilai MAE=-5.213 dan MAPE sebesar 30.63%, pada kernel polynomial didapatkan nilai C=0.001, epsilon=0.1, gamma=1, coef0=2, dan degree=2 dengan nilai MAE=-23.313 dan MAPE sebesar 9.3% dan untuk kernel RBF didapatkan nilai C=100, gamma=0.0002, dan epsilon=0.005 dengan nilai MAE = -4.744 dan MAPE sebesar 7.62%. Hasil dari prediksi yang dievaluasi dengan data validasi secara berurutan ber-rentang waktu 1 minggu, 2 minggu, 1 bulan, 2 bulan, dan 3 bulan menghasilkan nilai MAPE terkecil pada rentang 1 minggu dan terbesar pada rentang 3 bulan. Disimpulkan dari hasil penelitian, kernel yang menghasilkan peforma terbaik adalah kernel RBF dan semakin pendek rentang waktu prediksi, MAPE yang dihasilkan kecil yang berarti semakin baik peforma prediksi yang dilakukan.

Kata Kunci: Harga minyak bumi, kernel, linear, polynomial, prediksi RBF, support

(8)

viii

APPLICATION OF THE SUPPORT VECTOR REGRESSION (SVR) ALGORITHM FOR

PREDICTING CRUDE OIL PRICES

ABSTRACT

Crude oil is one of the primary energy sources and has economic value for the producting countries. The use of crude oil in Indonesia has increased and not balance with the oil producted. To fulfill the use of crude oil, the government must importing the oil from other countries. Indonesia as one of the importing countries has to monitor the movements of unstable oil prices every day in order to get a relatively cheap price before the price rises. To solve the problem of crude oil price prediction, a crude oil price prediction system was built using the Support Vector Regression (SVR) algorithm which is a Support Vector Machine (SVM) algorithm for regression problems. The use of SVR algorithm is assisted with a Linear, Polynomial, Radial Basis Function (RBF) kernel to overcome the linearity of the price of curde oil. Tuning parameters are peforrmed to get the optimal parameters from the SVR and kernel used. The results of the training and test data show that the best parameters for linear kernels are found at C=0.001, and epsilon=1 with MAE=-5.213 and MAPE=30.36%, in polynomial kernel the values of C=0.001, epsilon=0.1, gamma=1, coef0=2, and degree=2 with MAE=-23.313 and MAPE=9.3%, and for RBF kernel values of C=100, gamma=0.0002, and epsilon=0.005 with MAE=-4.744 and MAPE=7.62%. The results of predictions that were evaluated with validation data sequentially ranging from 1 week, 2 week, 1 month, 2 month, and 3 month resulted the smallest MAPE values in the range of 1 week and the highest in range of 3 months. It can be concluded from the results of the research. The kernel that produces the best peformance is the RBF kernel and the shorter the prediction time span, the smaller the MAPE is, which means the better peformance of prediction.

Keywords: Crude oil prices, kernel, linear, prediction, polynomial, RBF, support vector regression

(9)

ix

DAFTAR ISI

LEMBAR PENGESAHAN ... ii

PERNYATAAN TIDAK MELAKUKAN PLAGIAT ... iii

PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH... iv

UNTUK KEPENTINGAN AKADEMIS ... iv

HALAMAN PERSEMBAHAN / MOTO ... v

KATA PENGANTAR ... vi

ABSTRAK ... vii

ABSTRACT ... viii

DAFTAR ISI ... ix

DAFTAR GAMBAR ... xi

DAFTAR TABEL ... xiii

DAFTAR LAMPIRAN ... xiv

BAB I PENDAHULUAN ... 1 1.1 Latar Belakang... 1 1.2 Rumusan Masalah ... 7 1.3 Batasan Masalah ... 7 1.4 Tujuan Penelitian ... 8 1.5 Manfaat Penelitian ... 8 1.6 Sistematika Penulisan ... 8

BAB II LANDASAN TEORI ... 10

2.1 Minyak Bumi ... 10

2.2 Machine Learning ... 11

2.3 Regresi ... 13

2.4 Support Vector Regression (SVR) ... 13

2.5 Kernel ... 16

2.6 Mean Absolute Percentage Error (MAPE) ... 19

2.7 Mean Absolute Error (MAE)... 20

BAB III METODE DAN PERANCANGAN SISTEM ... 21

3.1 Metode Penelitian ... 21

(10)

x

3.3 Gambaran Umum Sistem ... 29

BAB IV IMPLEMENTASI DAN ANALISIS ... 32

4.1 Spesifikasi Sistem ... 32

4.2 Implementasi Sistem ... 33

4.3 Uji Coba Sistem ... 52

BAB V SIMPULAN DAN SARAN ... 60

5.1 Simpulan ... 60

5.2 Saran ... 60

(11)

xi

DAFTAR GAMBAR

Gambar 1.1 Perminatan minyak bumi dunia... 1

Gambar 1.2 Jumlah minyak dunia ... 2

Gambar 1.3 Produksi dan Konsumsi Minyak Indonesia ... 2

Gambar 1.4 Harga Minyak Brent ... 3

Gambar 2.1 SVC dan SVR... 14

Gambar 2.2 Hyperplane Support Vector Regression ... 14

Gambar 2.3 Kernel Trick ... 17

Gambar 2.4 Linear Shape ... 18

Gambar 2.5 Polynomal Shape ... 18

Gambar 2.6 RBF Shape... 19

Gambar 3.1 flowchart proses prediksi SVR ... 23

Gambar 3.2 Grafik Brent Oil Price ... 24

Gambar 3.3 Cross-Validation ... 27

Gambar 3.4 Flowchart Sistem Prediksi Harga ... 30

Gambar 3.5 Rancangan Antar Muka Sistem Berbasis Web ... 31

Gambar 4.1 Praproses data ... 33

Gambar 4.2 Pembagian Data... 34

Gambar 4.3 RBF Grid Search ... 34

Gambar 4.4 Linear Grid Search ... 36

Gambar 4.5 Polynomial Grid Search ... 37

Gambar 4.6 Pembuatan Model SVR-RBF ... 39

Gambar 4.7 Pembuatan model SVR – Linear ... 40

Gambar 4.8 Pembuatan model SVR – Polynomial ... 40

Gambar 4.9 Hasil pembuatan model dan prediksi kernel RBF ... 43

Gambar 4.10 Hasil Pembuatan model dan prediksi kernel Linear... 44

Gambar 4.11 Hasil pembuatan model dan prediksi kernel Polynomial ... 46

Gambar 4.12 Hasil Prediksi 1 Minggu Selanjutnya ... 47

Gambar 4.13 Hasil Prediksi 2 Minggu Selanjutnya ... 48

(12)

xii

Gambar 4.15 Hasil Prediksi 2 Bulan Selanjutnya ... 50

Gambar 4.16 Hasil prediksi 3 Bulan Selanjutnya ... 51

Gambar 4.17 Halaman Awal Program Prediksi ... 52

Gambar 4.18 Form Input Tanggal ... 53

Gambar 4.19 Tampilan Tabel Harga Minyak Bumi ... 53

Gambar 4.20 Prediksi Program Berbasis Web Rentang 1 Minggu ... 54

Gambar 4.21 Tabel Hasil Prediksi Program Berbasis Web Rentang 1 Minggu ... 54

Gambar 4.22 Hasil MAPE dari Prediksi Rentang 1 Minggu ... 55

Gambar 4.23 Hasil Prediksi Program Berbasis Web Rentang 1 bulan ... 56

Gambar 4.24 Tabel Hasil Prediksi Program Berbasis Web Rentang 1 Bulan ... 57

(13)

xiii

DAFTAR TABEL

Tabel 2.1 Kriteria Nilai MAPE ... 20

Tabel 3.1 Detail Dataset untuk Pelatihan dan Pengujian ... 24

Tabel 3.2 Hasil Pembagian Data ... 25

Tabel 3.3 Daftar Kernel dan Parameter yang digunakan ... 26

Tabel 4.1 Hasil Grid Search Kernel RBF... 35

Tabel 4.2 Hasil Grid Search Kernel Linear ... 37

Tabel 4.3 Hasil Grid Search Kernel Polynomial ... 38

Tabel 4.4 Hasil Prediksi model SVR-RBF dengan data uji ... 42

Tabel 4.5 Hasil Prediksi model SVR-Linear dengan data uji ... 44

Tabel 4.6 Hasil Prediksi model SVR-Polynomial dengan data uji ... 45

(14)

xiv

DAFTAR LAMPIRAN

Lampiran 1 Formulir Bimbingan Skripsi ... 66

Lampiran 2 Hasil perhitungan Grid Search kernel RBF ... 67

Lampiran 3 Hasil perhitungan Grid Search kernel Linear ... 72

Lampiran 4 Hasil perhitungan Grid Search kernel Polnomial ... 73

Lampiran 5 Kernel RBF Support Vector ... 74

Lampiran 6 Nilai Lagrange Multipliers/Alpha kernel RBF ... 75

Lampiran 7 Kernel Linear Support Vector ... 76

Lampiran 8 Nilai Lagrange Multipliers/Alpha kernel Linear ... 77

Lampiran 9 Kernel Polynomial Support Vector ... 78

Lampiran 10 Nilai Lagrange Multipliers/Alph ... 79

Lampiran 11 perhitungan MAPE kernel RBF dengan data uji ... 80

Lampiran 12 perhitungan MAPE kernel Linear dengan data uji ... 85