Prediksi Indeks Harga Konsumen (IHK) Kelompok Perumahan, Air, Listrik, Gas Dan Bahan Bakar Menggunakan Metode Support Vector Regression

  

Vol. 2, No. 10, Oktober 2018, hlm. 3856-3862 http://j-ptiik.ub.ac.id

Prediksi Indeks Harga Konsumen (IHK) Kelompok Perumahan, Air,

Listrik, Gas Dan Bahan Bakar Menggunakan Metode Support Vector

₁ Regression _{2 2} Krishnanti Dewi , Putra Pandu Adikara , Sigit Adinugroho

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: krishnanti.dewi@gmail.com, adikara.putra@ub.ac.id, sigit.adinu@ub.ac.id

  

Abstrak

  Salah satu indikator yang paling sering digunakan untuk mengukur tingkat inflasi adalah Indeks Harga Konsumen (IHK). Berdasarkan metadata indeks harga konsumen yang diterbitkan oleh Bank Indonesia pada tahun 2016, kelompok perumahan, air, listrik, gas dan bahan bakar adalah kelompok

  IHK yang memiliki persentase proporsi biaya hidup yang paling tinggi dari kelompok IHK lainnya, yaitu sebesar 25,37%. Pada penelitian ini IHK akan diprediksi dengan menggunakan metode Support

  

Vector Regression (SVR). Tahapan metode SVR yang dilakukan meliputi normalisasi data,

  menghitung matriks Hessian dengan menggunakan fungsi kernel Radial Basis Function (RBF), melakukan proses sequential learning, menghitung fungsi regresi untuk mendapatkan hasil prediksi dan melakukan evaluasi hasil prediksi dengan metode Mean Absolute Percentage Error (MAPE). Hasil pengujian menunjukkan nilai MAPE minimum yang diperoleh sebesar 2,399% dengan nilai parameter σ = 50; λ = 1; cLR = 0,0005; ε = 0,0005; C = 1000; jumlah data training 36 untuk 12 data

  

testing dengan iterasi sebanyak 100. Rata-rata hasil prediksi yang diperoleh adalah sebesar 112,19605

dengan rata-rata selisih antara data aktual dengan hasil prediksi sebesar 1,52645.

  

Kata kunci: prediksi, indeks harga konsumen (IHK), support vector regression (SVR), radial

basis function (RBF), mean absolute percentage error (MAPE)

  

Abstract

One of the most commonly used indicators to measure the inflation rate is Consumer Price Index

(CPI). Based on the consumer price index metadata published by Bank Indonesia in 2016, housing,

water, electricity, gas and fuel group is the CPI group which has the highest proportion of living cost

from other CPI groups, which is 25.37 %. In this research, CPI will be predicted by using Support

Vector Regression (SVR) method. The stages of the SVR method include normalization of data,

calculates Hessian matrix by using Radial Basis Function (RBF) kernel function, sequential learning

process, calculate the regression function to get predicted results and evaluates predicted results with

Mean Absolute Percentage Error (MAPE). The test results show the minimum MAPE value obtained

by 4.271% with the parameter value σ = 50; λ = 1; cLR = 0.0005; ε = 0.0005; C = 1000; the number

of training data is 36 for 12 testing data with 100 iterations. The average of predicted results obtained

is 112.19605 with the average of the difference between the actual data and the predicted result is

1.52645.

  Keywords: prediction, consumer price index (CPI), support vector regression (SVR), radial basis function (RBF), mean absolute percentage error (MAPE)

  sederhana Indeks Harga Konsumen (IHK) atau 1. disebut juga Consumer Price Index (CPI)

   PENDAHULUAN

  adalah perbandingan antara harga suatu paket Indeks Harga Konsumen merupakan salah komoditas dari suatu kelompok barang atau jasa satu indikator yang paling sering digunakan

  (market basket) yang dikonsumsi rumah tangga untuk mengukur tingkat inflasi. Secara (household) dalam kurun waktu tertentu (Badan

  Fakultas Ilmu Komputer Universitas Brawijaya

3856

  Pusat Statistik, 2017).

  Perkembangan inflasi IHK di Indonesia dalam kurun waktu 10 tahun terakhir lebih dipengaruhi oleh lonjakan kenaikan inflasi

  administered price dan volatile food (Tim Pengendalian Inflasi Daerah, 2014) . Salah

  satu kelompok IHK barang dan jasa yang tergolong dalam administered price adalah kelompok perumahan, air, listrik, gas dan bahan bakar. Berdasarkan metadata indeks harga konsumen (IHK) yang diterbitkan oleh Bank Indonesia pada tahun 2016, kelompok perumahan, air, listrik, gas dan bahan bakar adalah kelompok

  IHK yang memiliki persentase proporsi biaya hidup yang paling tinggi dari kelompok IHK lainnya, yaitu sebesar 25,37% sehingga dapat dikatakan bahwa kelompok perumahan, air, listrik, gas dan bahan bakar memiliki peranan yang sangat penting dalam perekonomian negara dan sangat berpengaruh pada angka inflasi.

  Untuk mempermudah proses pengambilan keputusan dalam mengantisipasi terjadinya inflasi, diperlukan sebuah metode yang dapat menghasilkan nilai prediksi yang mendekati hasil aktual. Support Vector Regression (SVR) merupakan salah satu metode yang dapat digunakan untuk memecahkan kasus regresi dan data time series dengan mencari persamaan yang akan menghasilkan nilai kesalahan paling kecil (Suranart, Kiattisin, & Leelasantitham, 2014). Kelebihan dari metode SVR adalah kemampuannya untuk memanfaatkan data non- linear secara implisit melalui penerapan fungsi kernel. Fungsi kernel bertujuan untuk memetakan vektor input ke ruang fitur berdimensi tinggi. SVR dapat mengatasi masalah overfitting lebih baik dibandingkan dengan model proses training regresi biasa sehingga menghasilkan performasi yang bagus (Maharesi, 2013).

  Beberapa penelitian telah membuktikan kemampuan SVR yang lebih baik dari metode lainnya dalam memprediksi berbagai jenis kasus, diantaranya adalah prediksi jumlah produksi minyak kelapa sawit di Provinsi Riau dengan membandingkan metode ANN dan SVR. Prediksi dilakukan dengan menggunakan data time series tahun 2005-2013. Dari percobaan yang dilakukan, SVR menghasilkan model terbaik dibandingkan dengan ANN dengan MSE sebesar 6% sedangkan ANN menghasilkan MSE 9% (Mustakim, Buono, & Hermadi, 2016).

  Metode SVR juga mendapatkan akurasi yang lebih baik pada prediksi harga emas yang dilakukan oleh Suranart, Kiattisin, & Leelasantitham (2014) dibandingkan dengan metode ANN dan RBF Network. Prediksi dilakukan terhadap harga emas milik KitcoMetal Inc. periode Juni 2008 sampai November 2013 dengan menggunakan metode SVR, ANN dan RBF Network kemudian membandingkan hasil ujinya dengan MSE dan MAPE. Hasil penelitian menunjukkan bahwa metode SVR memiliki akurasi yang paling baik dibandingkan 2 metode lainnya dengan nilai MSE 227,006 dan MAPE 1,140% sedangkan RBF menghasilkan nilai MSE 1.859,390 dan MAPE 3,307 dan ANN menghasilkan nilai MSE 12.674,347 dan MAPE 7,737%.

  Berdasarkan uraian latar belakang permasalahan serta studi melalui penelitian- penelitian sebelumnya maka melalui penelitian ini dilakukan prediksi terhadap indeks harga konsumen kelompok perumahan, air, listrik, gas dan bahan bakar dengan menggunakan metode

  Support Vector Regression (SVR) .

  2. TINJAUAN PUSTAKA

  2.1 Indeks Harga Konsumen

  Indeks Harga Konsumen (IHK) adalah perbandingan antara harga suatu paket komoditas dari suatu kelompok barang atau jasa (market basket) yang dikonsumsi rumah tangga (household) dalam kurun waktu tertentu (Badan Pusat Statistik, 2017). Perhitungan IHK dilakukan untuk mencatat perubahan harga beli di tingkat konsumen (purchasing cost) dari sekelompok tetap barang dan jasa yang umum dikonsumsi oleh masyarakat (Bank Indonesia, 2016). Hasil perhitungan IHK adalah sebuah indeks tunggal yang dapat mengukur seluruh tingkat harga yang dicatat secara bulanan. Dari indeks tersebut kemudian dapat dilakukan perhitungan persentase perubahan yang dianalisis sehingga dapat menghasilkan persentase tingkat inflasi.

  Indeks Harga Konsumen diklasifikasikan menjadi 7 kelompok pengeluaran barang dan jasa, yaitu: Kelompok Bahan Makanan; Kelompok Makanan Jadi, Minuman, Rokok Dan Tembakau; Kelompok Perumahan, Air, Listrik, Gas dan Bahan Bakar; Kelompok Sandang; Kelompok Kesehatan; Kelompok Pendidikan, Rekreasi, dan Olahraga; dan Kelompok Transportasi, Komunikasi, dan Jasa Keuangan (Bank Indonesia, 2016). Selain

  ‖ − ‖merupakan jarak euclidean dan σ adalah sebuah nilai parameter SVR yang harus didefinisikan terlebih dahulu secara tepat.

  ( , ) = exp (−

  dan sebanyak data.

  ∗

  1. Inisialisasi variable

  sequential learning dengan langkah-langkah sebagai berikut.

  dan dapat ditemukan dengan melakukan proses

  || − ||

2.2 Support Vector Regression (SVR)

  = − ∑ (

  2

  2

  2

  ) (4)

  Dimana dan merupakan data yang digunakan,

  berdasarkan kelompok pengeluaran barang dan jasa, IHK juga dikelompokkan menjadi 3 kelompok penilaian yang bertujuan untuk mempermudah Pemerintah dan Bank Indonesia dalam memberikan respon kebijakan dari hasil pencatatan IHK dan perhitungan tingkat inflasi. 3 kelompok penilaian tersebut adalah Inflasi Inti, Inflasi Komponen Bergejolak (volatile

  2. Untuk setiap data latih i = 1, 2, …, n lakukan persamaan 5-9.

  − )

  ∗

  regresi. Ide dasar SVM adalah memetakan data pelatihan dari ruang masukan ke ruang fitur dimensi yang lebih tinggi melalui fungsi dan kemudian membangun sebuah hyperplane terpisah dengan margin maksimum di ruang fitur. SVR bertujuan untuk membuat garis pemisah yang dekat dengan sebanyak mungkin data kemudian memperkecil jarak antar garis pemisah dengan data. SVR tidak hanya mampu mengatasi masalah data linier tetapi juga dapat digunakan untuk mengatasi data yang bersifat non linier. SVR untuk data non linier dapat diformulasikan pada Persamaan 1. ( ) = ∑ (

  food inflation ) dan Inflasi Komponen Harga

  yang Diatur Pemerintah (administered

  inflation ) (Tim Pengendalian Inflasi Daerah, 2014).

  Support Vector Regression (SVR)

  merupakan pengembangan dari Support Vector

  Machine (SVM) yang dikhususkan untuk kasus

  (8) = +

  ∗

  ∗

  =

  ∗

  δα i = min{max[γ(-E i - ε),-α i ], C- α i } (7)

  (5) δα ^{i * I} =min{max[γ(E ^{i -} ε),-α ^{* i ], C-} α ^{* i } (6)}

  =1

  Nilai variable Lagrange multiplier

• ∗

  Kernel

  (9) Keterangan: Ei = nilai error ke-i yi = nilai aktualdata ke-i δαi ^* , δαi = perubahan nilai αi ^* dan αi ε = epsilon C = kompleksitas γ = laju pembelajaran

  ∗

  dalam kisaran standar mulai dari 0 sampai 1 sehingga proses normalisasi data sangat penting untuk dilakukan sebelum data diproses dengan metode Support Vector Machine. Normalisasi Min-Max adalah teknik sederhana yang dapat menjaga hubungan antara data asli dengan

  Vector Machine data yang digunakan biasanya

  Menurut Kumar (2014) pada Support

  Normalisasi data merupakan proses pengolahan data yang bertujuan untuk menormalisasikan standar data agar berada pada jarak tertentu. Sedangkan denormalisasi data adalah proses mengembalikan nilai normalisasi menjadi nilai aktual.

  2.3 Normalisasi dan Denormalisasi Data

  (11) Pada penelitian ini, fungsi kernel yang digunakan adalah fungsi kernel RBF.

  max (matriks ℎ )

  (10) =

  2

  = ( , ) +

  Nilai γ dapat ditemukan dengan menggunakan Persamaan 11 dengan terlebih dahulu menghitung matriks Hessian R melalui Persamaan 10. [ ]

  − )

  Gaussian Radial Basis Function (RBF)

  =1

  ( ( , ) +

  2

  ) (1)

  ∗

  dan merupakan nilai variable Lagrange

  multiplier,

  ( , ) adalah fungsi kernel yang digunakan dan adalah variabel skalar. Pada data non linier, SVR mengubah vektor input ke dimensi yang lebih tinggi melalui fungsi kernel. Dengan menggunakan fungsi kernel, hubungan linier dalam ruang fitur tersebut dapat ditemukan. Terdapat tiga fungsi kernel dalam SVR, yaitu linear, polynomial dan

  Gaussian Radial Basis Function (RBF). Fungsi

  kernel RBF merupakan fungsi kernel yang paling sering digunakan (Mustakim, Buono, & Hermadi, 2016). Formulasi dari tiga jenis fungsi kernel tersebut adalah:

1. Linear Kernel

  ( , ) = (2) 2.

   Polynomial Kernel

  ( , ) = (1 + ∙ ) (3) 3. mencari nilai minimal dan maksimal pada maksimum yang telah ditentukan. Proses setiap data (Patro & Sahu, 2015). Normalisasi learning akan menghasilkan model regresi dan denormalisasi Min-Max diformulasikan yang kemudian digunakan dalam melakukan pada Persamaan 12 dan Persamaan 13. prediksi. Model regresi yang telah didapat

  ( − ) ′

  akan dicoba pada data testing untuk (12)

  =

  ( − )

  mengetahui seberapa baik model tersebut

  ′

  (13) = + ( ( − )) dengan melakukan evaluasi menggunakan

  MAPE. Diagram alir proses SVR ditampilkan

  ′

  adalah data hasil adalah data aktual, pada Gambar 1. normalisasi, adalah data dan terendah dan data tertinggi dari keseluruhan data.

  2.4 Mean Absolute Percentage Error (MAPE) Mean Absolute Percetage Error (MAPE)

  merupakan metode yang dapat digunakan untuk mengukur tingkat akurasi. MAPE dipilih untuk pengujian akurasi karena dapat memberikan hasil yang relatif akurat. Persamaan MAPE ditunjukkan pada Persamaan 14 (Nugroho & Purqon, 2015).

  ′ 1 −

  (14) = ∑ | | 100

  −1

  Dimana adalah jumlah data, ′ merupakan hasil prediksi, adalah nilai aktual dan adalah banyaknya dimensi data.

  Penggunaan MAPE pada evaluasi hasil prediksi dapat menghindari pengukuran akurasi terhadap besarnya nilai aktual dan nilai prediksi. Kriteria nilai MAPE ditunjukkan pada Tabel 1 (Chang, Wang, & Liu, 2007).

  Tabel 1. Kriteria Nilai MAPE Nilai MAPE Kriteria

  < 10% Sangat Baik 10% Baik

• – 20% 20% Cukup – 50% > 50% Buruk Gambar 1. Diagram Alir Metode SVR

  3.2. Data Penelitian 3. MODEL PENELITIAN

  Data yang digunakan dalam penelitian ini adalah data indeks harga konsumen kelompok

  3.1. Model Support Vector Regression (SVR)

  perumahan, air, listrik, gas dan bahan bakar yang didapat melalui website resmi Bank Proses SVR diawali dengan menentukan nilai parameter-parameter SVR kemudian Indonesia. Data tersebut berupa angka indeks per bulan selama 5 tahun terakhir yaitu dari melakukan normalisasi data. Selanjutnya Januari 2011 sampai dengan Desember 2016. dilakukan proses learning menggunakan data

  

training . Proses training SVR meliputi Fitur yang digunakan dalam penelitian ini

  berupa 4 data sekuensial dari 4 bulan perhitungan jarak antar data training , perhitungan matriks Hessian dengan kernel sebelumnya untuk memprediksi bulan berikutnya. RBF dan perhitungan sequential learning yang akan diulangi hingga mencapai batas iterasi

  25

  Gambar 2. Grafik Uji Coba Batas Parameter σ Gambar 3. Grafik Uji Coba Batas Parameter λ

4. PENGUJIAN DAN ANALISIS

  30 R at a

  Terdapat 3 pengujian yang dilakukan dalam penelitian ini, yaitu pengujian rentang nilai parameter SVR, pengujian jumlah iterasi untuk proses sequential learning dan pengujian variasi jumlah data training.

  20

  15

  10

  5

• r at a N il ai MAP E (da lam %)

4.1 Pengujian Rentang Nilai Parameter SVR

  yang lebih besar dapat menghasilkan persebaran data yang tepat sehingga mampu menghasilkan prediksi yang baik melalui rentang

  Rentang Parameter Hasil Pengujian Parameter

  60

  70 R at a

  Rentang Parameter Hasil Pengujian Parameter

  11.3

  11.35

  11.4

  11.45

  11.5 R at a

  11.35

  σ = 50 – 100. Pengujian parameter λ

  11.36

  11.37

  11.38

  11.39

  11.4

  11.41

  11.42 R at a

  Rentang Parameter Kompleksitas ( ) Hasil Pengujian Parameter

  50

  40

  30

  σ dapat diketahui bahwa rentang nilai

  10

  Rentang Parameter λ Hasil Pengujian Parameter λ

  Pengujian rentang nilai dilakukan untuk setiap parameter SVR, yaitu

  σ (sigma), λ

  (lambda), cLR (constanta learning rate),

  ε

  (epsilon) dan ∁ (complexity). Pada pengujian paremeter

  menunjukkan nilai rentang yang lebih besar mampu menghasilkan nilai error yang rendah tetapi apabila terlalu besar error rate kembali meningkat. Rentang

  20

• r at a N il ai M A P E (da lam %)

  λ ideal yang didapatkan

  berdasarkan pengujian ialah berada pada rentang 1

• – 5. Pada pengujian parameter cLR dihasilka rentang nilai yang besar mampu menghasilkan error rate yang lebih rendah. Rentang nilai cLR ideal yang dihasilkan ialah 0,0005 – 0,001. Selanjutnya pada pengujian rentang nilai parameter

  bahwa rentang nilai yang terlalu kecil belum tentu dapat menghasilkan error rate yang minimum karena nilai parameter lainnya juga berpengaruh terhadap error rate yang dihasilkan sehingga nilai rentang parameter ε terbaik yang dapat diperoleh ialah berada pada rentang 0,0005 – 0,001. Sedangkan untuk parameter C cenderung konstan ketika diberi nilai yang besar, yaitu mulai dari 500-1000. Grafik hasil pengujian rentang nilai parameter SVR ditunjukkan pada Gambar 2-6.

  ε didapatkan hasil

  Gambar 4. Grafik Uji Coba Batas Parameter cLR Gambar 5. Grafik Uji Coba Batas Parameter

• r at a N il ai M A P E (da lam %)
• r at a N il ai M A P E (da lam %)
• r at a N il ai M A P E (da lam %)

  0.000 10.000 20.000 30.000 40.000

  Rentang Parameter σ Hasil Pengujian Parameter σ

  R at a

  2. Pengaruh parameter-parameter SVR terhadap prediksi indeks harga konsumen kelompok perumahan, air, listrik, gas dan bahan bakar beragam. Rentang n ilai parameter σ dan C yang tinggi cenderung memberikan hasil prediksi yang baik. Rentang nilai parameter λ,ε dan cLR yang tinggi juga cenderung memberikan hasil prediksi yang baik namun apabila terlalu tinggi nilai MAPE yang dihasilkan dapat kembali meningkat.

  5

  3. Berdasarkan pengujian yang telah dilakukan, didapatkan MAPE minimum sebesar 2,399% dengan nilai parameter σ = 50; λ = 1; cLR = 0,0005; ε = 0,0005; C = 1000; jumlah data training 36 dan data testing 12 serta iterasi sebanyak 100. Rata-rata hasil prediksi yang diperoleh adalah sebesar 112,19605 dengan rata-rata selisih antara data

  20

  40

  60

  80 100 10 50 100 500 1000 5000

  R at a

  Jumlah Iterasi Hasil Pengujian Jumlah Iterasi

  10

  15

  20

  25

• r at a N il ai MAP E

  12

  24

  36

  48 R at a

• r at a N il ai M A P E (d al am %)

  dan menghitung fungsi regresi.

  Function (RBF) lalu melakukan proses sequential learning

  training yang optimum untuk menghasilkan

  Gambar 6. Grafik Uji Coba Batas Parameter C

  4.2 Pengujian Jumlah Iterasi

  Pengujian jumlah iterasi dilakukan untuk mengetahui banyaknya iterasi yang menghasilkan hasil prediksi yang paling optimal. Jumlah iterasi optimum dievaluasi berdasarkan rata-rata nilai MAPE terbaik setelah dilakukan tiga kali percobaan dengan jumlah iterasi menggunakan kelipatan 10 dan kelipatan 5 dengan menggunakan parameter SVR terbaik dari hasil pengujian rentang nilai parameter SVR yang telah dilakukan. Hasil pengujian menunjukkan bahwa semakin besar jumlah iterasi maka error rate dapat semakin berkurang karena kemampuan SVR dalam melakukan observasi pola data semakin meningkat. Gambar 7 menampilkan grafik uji coba jumlah iterasi dan dapat terlihat bahwa rata-rata error rate minimum dihasilkan pada iterasi 100.

  Gambar 7. Grafik Uji Coba Jumlah Iterasi

  4.3 Pengujian Variasi Jumlah Data Training

  Pengujian variasi jumlah data training dilakukan untuk mengetahui jumlah variasi data

  prediksi yang baik. Berdasarkan hasil pengujian jumlah data training, semakin besar jumlah data

  1. Metode Support Vector Regression (SVR) dapat diterapkan pada masalah prediksi indeks harga konsumen kelompok perumahan, air, listrik, gas dan bahan bakar dengan cara melakukan normalisasi data, melakukan pemilihan data training dan data testing serta pemilihan fitur berupa data bulan sebelumnya secara sekuensial kemudian menghitung matriks Hessian untuk memetakan vektor input ke ruang fitur dimensi yang lebih tinggi dengan menggunakan kernel Radial Basis

  training yang digunakan belum tentu dapat

  menghasilkan prediksi yang semakin baik. Nilai parameter dan pola data sangat mempengaruhi metode SVR dalam mendapatkan hasil prediksi. Apabila terjadi perubahan pola data, maka nilai parameter juga harus mengikuti. Variasi jumlah data training terbaik berdasarkan hasil pengujian ialah dengan menggunakan 36 data

  training untuk 12 data testing. Gambar 8 adalah

  grafik hasil uji coba variasi jumlah data training .

  Gambar 8. Grafik Uji Coba Variasi Jumlah Data Training 5.

   KESIMPULAN

  Berdasarkan hasil penelitian, dapat disimpulkan bahwa:

  Jumlah Data Training Hasil Pengujian Jumlah Data Training aktual dengan hasil prediksi sebesar 1,52645. Berdasarkan kriteria MAPE pada Tabel 2.2, nilai MAPE yang < 10% masuk ke dalam kategori sangat baik sehingga metode SVR dapat dinyatakan sangat baik untuk memprediksi indeks harga konsumen kelompok perumahan, air, listrik, gas dan bahan bakar. Untuk penelitian selanjutnya dapat ditambahkan metode optimasi untuk mengoptimalkan nilai parameter-parameter SVR serta melakukan pengujian dengan fungsi kernel yang berbeda untuk meningkatkan akurasi.

  Badan Pusat Statistik, 2017. Metadata

  Journal of Computer Science and Information, 9(1).

  on Intelligent Transportation Systems, Volume 5.

  Travel-Time Prediction with Support Vector Regression. IEEE Transactions

  Wu, C.-H., Ho, J.-M. & Lee, D. T., 2004.

  Petunjuk TPID. Jakarta: Tim Pelaksana Kelompok Kerja Nasional TPID.

  Tim Pengendalian Inflasi Daerah, 2014. Buku

  Conference on Information and Communication Technology, Electronic and Electrical Engineering (JICTEE).

  Suranart, K., Kiattisin, S. & Leelasantitham, A., 2014. Analysis of Comparisons for Forecasting Gold Price using Neural Network, Radial Basis Function Network and Support Vector Regression. The 4th Joint International

  International Advanced Research Journal in Science, Engineering and Technology, 2(3).

  Normalization: A Preprocessing Stage.

  Seminar Kontribusi Fisika (SKF) 2015. Patro, S. G. K. & Sahu, K. K., 2015.

  Saham Sektor Industri di Indonesia Menggunakan Metode SVR. Bandung,

  Nugroho, N. A. & Purqon, A., 2015. Analisis 9

  Artificial Neural Network for Prediction of Oil Palm Production.

6. DAFTAR PUSTAKA

  Indikator Inflasi. [Online] Available at:

  Performance Comparison Between Support Vector Regression and

  Mustakim, Buono, A. & Hermadi, I., 2016.

  Proceeding PESAT (Psikologi, Ekonomi, Sastra, Arsitektur & Teknik Sipil).

  Vector Regression (SVR) pada Prediksi Return Saham Syariah BEI. Bandung,

  Available at: https://neerajkumar.org/writings/svm/ [Accessed 30 November 2017]. Maharesi, R., 2013. Penggunaan Support

  Machines Effectively. [Online]

  Kumar, N., 2014. Using Support Vector

  The Development of a Weighted Evolving Fuzzy Neural Network for PCB Sales Forecasting. Elsevier, 32(Expert Systems with Applications), pp. 86-96.

  Chang, P.-C., Wang, Y.-W. & Liu, C.-H., 2007.

  Harga Konsumen (IHK), Jakarta: Bank Indonesia.

  Bank Indonesia, D. S., 2016. Metadata Indeks

  https://sirusa.bps.go.id/sirusa/index.php /indikator/570 [Accessed November 12 2017].