Optimasi Parameter Support Vector Regression (SVR) Menggunakan Algoritma Grey Wolf Optimizer (GWO)
DOI:
https://doi.org/10.26555/jim.v10i1.30867Keywords:
Grey Wolf Optimizer,, Support Vector Regression,, Prediksi,Abstract
Prediksi harga bawang merah merupakan hal penting bagi petani dan pemerintah untuk mengurangi risiko ekonomi dan membuat keputusan yang lebih baik. Penelitian ini bertujuan untuk mengembangkan model prediksi harga bawang merah di Indonesia menggunakan Support Vector Regression (SVR) yang dioptimalkan dengan algoritma Grey Wolf Optimizer (GWO). SVR adalah teknik pembelajaran mesin yang efektif untuk regresi, tetapi mempunyai kesulitan dalam menetapkan parameter optimalnya. Untuk itu, algoritma GWO, yang terinspirasi dari strategi berburu serigala, digunakan untuk mengoptimalkan parameter SVR. Dalam penelitian ini, data harga bawang merah sejak tanggal 1 Januari 2022 sampai 31 Desember 2023 yang diperoleh dari website resmi Pusat Informasi Harga Pangan Strategis Nasional (PIHPS) dikumpulkan dan dianalisis. Hasil penelitian menunjukkan bahwa tingkat eror yang diukur dengan RMSE (Root Mean Square Error) untuk model GWO-SVR diperoleh sebesar 0.062561 sedangkan model SVR sebesar 0.078579. Dapat dilihat bahwa terjadi penurunan nilai RMSE, sehingga dapat dikatakan bahwa algoritma optimasi GWO dapat meningkatkan kinerja dari model SVR.
References
D. C. Montgomery, C. L. Jennings, and M. Kulahci, Introduction Time Series Analysis and
L. B. Hare, Chapter one. In Time Series Analysis. 2008. doi: 10.7829/j.ctv1w0xcfk.4.
M. Awad and R. Khanna, Efficient Learning machines. 2015.
A. W. Ishlah, S. Sudarno, and P. Kartikasari, “Implementasi Gridsearchcv Pada Support Vector Regression (Svr) Untuk Peramalan Harga Saham,” J. Gaussian, vol. 12, no. 2, pp. 276–286, 2023,
doi: 10.14710/j.gauss.12.2.276-286.
A. Soraya, Putri, S. Soehardjoepri, and A. Suharsono, “Optimasi Parameter Support Vector
Regression pada Prediksi Nilai Tukar Dolar Amerika terhadap Rupiah dengan Menggunakan
Genetic Algorithm dan Particle Swarm Optimization.,” J. Sains Dan Seni ITS, vol. 12, no. 2, 2023,
doi: 10.12962/j23373520.v12i2.111596.
N. Selviani and J. Purwadi, “Support Vector Regression optimization with Particle Swam
Optimization algorithm for predicting the gold prices,” vol. 3, no. 2, pp. 55–62, 2023.
S. Mirjalili, S. M. Mirjalili, and A. Lewis, “Grey Wolf Optimizer,” Adv. Eng. Softw., vol. 69, pp. 46–61,
2014, doi: 10.1016/j.advengsoft.2013.12.007.
K. Baghizadeh, N. Ebadi, D. Zimon, and L. Jum’a, “Using Four Metaheuristic Algorithms to Reduce
Supplier Disruption Risk in a Mathematical Inventory Model for Supplying Spare Parts,”
Mathematics, vol. 11, no. 1, 2023, doi: 10.3390/math11010042.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Yulia Candra Dewi, Joko Purwadi
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
1. Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
2. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
3. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
This work is licensed under a Creative Commons Attribution-ShareAlike 2.0 Generic License.
