Analisis Support Vector Machine (Svm) Dalam Prediksi Permintaan Emas Perhiasan (Studi Kasus: Permintaan Emas Perhiasan Dari Beberapa Negara Tertentu Periode Tahun 2000-2021)
Abstract
Emas adalah salah satu investasi yang sangat menguntungkan karena emas menjanjikan
keuntungan yang cukup besar. Emas tidak hanya berfungsi sebagai perhiasan seperti:
kalung, cincin, gelang, dan anting, tapi fungsi lain dari emas adalah sebagai bahan baku
industri teknologi dan kesehatan. Orang-orang percaya harga emas akan terus
meningkat dari tahun ketahun dan sifat emas yang likuid atau mudah dicairkan
membuat ornag-orang lebih memilih untuk berinvestasi emas dibandingkan dengan
investasi lainnya yang likuiditasnya rendah, misalnya investasi properti.Permintaan
emas dunia meningkat 6% per tahun pada kuartal ke-3 (Q3’19) menjadi 1,053.9 ton,
data tersebut dirilis oleh World Gold Council. Itu setara dengan $57,7 Miliar yang
merupakan nilai tertinggi sepanjang waktu. Peningkatan ini didorong oleh permintaan
investasi yang naik 33% per tahun menjadi 468,1 ton dan menghasilkan permintaan
rekor kuartalan sebesar $25,6 Miliar.Mengingat investasi emas yang menjanjikan
keuntungan yang cukup besar, maka sangat perlu dilakukan studi yang mendalam,
sehubungan dengan permintaan emas dari tahun ke tahun terus meningkat maka perlu
dilakukan analisis tentang peramalan permintaan emas dari beberapa negara.
sebelumnya beberapa metode telah dikembangkan dalam peramalan harga emas. Salah
satu metode yang dapat digunakan adalah metode kecerdasan buatan yang relatif baru
dalam prediksi yaitu metode Support Vector Machine (SVM). Metode ini digunakan
untuk melakukan prediksi baik dalam kasus klasifikasi maupun regresi.Dalam
penelitian ini akan diramalkan jumlah permintaan emas perhiasan di beberapa negara
yang akan dikelompokkan berdasarkan 2 kategori yaitu kategori tinggi dan rendah.
Variasi fungsi kernel yang digunakan dalam SVM adalah RBF, Linear, dan,
Polynomial. Hasil yang diperoleh dari uji coba penelitian ini menunjukkan bahwa
model peramalan secara keseluruhan tergolong baik atau layak. Akurasi dari 2 model
yang didapat dengan kernel RBF memiliki MAPE yang tergolong baik dan layak di
kategori tinggi pada data train,sedangkan pada kategori tinggi juga tergolong baik.
Collections
- Statistics [904]