UMPPUMPP

Jurnal Surya InformatikaJurnal Surya Informatika

Pertumbuhan ekonomi merupakan indikator makro utama dalam menilai kinerja pembangunan daerah yang seringkali menunjukkan pola nonlinier. Penelitian ini bertujuan untuk membangun model prediksi pertumbuhan ekonomi Kota Pekalongan menggunakan Support Vector Regression (SVR) berbasis Recursive Feature Elimination (RFE). Data yang digunakan merupakan data sekunder Badan Pusat Statistik periode 2010-2024. Tahapan penelitian mencakup praproses data, normalisasi menggunakan Standard Scaler, serta optimasi fitur dengan RFE, hyperparameter melalui Grid Search dengan k-fold cross-validation. Hasil evaluasi menunjukkan bahwa model SVR dengan kernel Radial Basis Function (RBF) menghasilkan nilai Mean Absolute Percentage Error (MAPE) sebesar 3,82%. Penelitian ini memberikan pendekatan komputasional untuk meningkatkan akurasi prediksi serta mendukung pengambilan keputusan berbasis data pada tingkat daerah.

Penelitian ini berhasil mengembangkan model prediksi pertumbuhan ekonomi Kota Pekalongan menggunakan Support Vector Regression (SVR) dengan kernel Radial Basis Function (RBF).Hasil evaluasi menunjukkan bahwa model memiliki tingkat akurasi yang tinggi dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 3,82%, yang menunjukkan kemampuan dalam menangkap pola nonlinier data ekonomi.Kontribusi utama penelitian ini terletak pada integrasi metode Recursive Feature Elimination (RFE) dalam pemodelan SVR untuk meningkatkan efisiensi dan akurasi melalui seleksi fitur yang relevan.Pendekatan ini memberikan kontribusi pada bidang machine learning khususnya dalam pemodelan time series ekonomi skala daerah.Namun demikian, penelitian ini memiliki keterbatasan pada jumlah data yang relatif kecil serta belum adanya perbandingan dengan metode lain.Oleh karena itu, penelitian selanjutnya disarankan untuk menggunakan dataset yang lebih besar, menambahkan variabel ekonomi yang lebih beragam, serta melakukan analisis komparatif dengan algoritma lain seperti ARIMA atau LSTM.

Untuk meningkatkan akurasi dan validitas model prediksi pertumbuhan ekonomi, disarankan untuk menggunakan dataset yang lebih besar dan beragam, serta melakukan perbandingan dengan algoritma lain seperti ARIMA atau LSTM. Selain itu, penelitian lanjutan dapat fokus pada pengembangan metode seleksi fitur yang lebih efektif dan efisien, serta mengintegrasikan teknik-teknik machine learning lainnya untuk meningkatkan performa model. Dengan demikian, model prediksi pertumbuhan ekonomi dapat menjadi lebih akurat dan bermanfaat bagi pengambilan keputusan di tingkat daerah.

  1. Mean Absolute Percentage Error untuk Evaluasi Hasil Prediksi Komoditas Laut | JOINS (Journal of Information... doi.org/10.33633/joins.v5i2.3900Mean Absolute Percentage Error untuk Evaluasi Hasil Prediksi Komoditas Laut JOINS Journal of Information doi 10 33633 joins v5i2 3900
Read online
File size294.76 KB
Pages4
DMCAReport

Related /

ads-block-test