Optimasi K-Nearest Neighbor Dengan Particle Swarm Optimization Untuk Memprediksi Harga Komoditi Karet

Abstract

Komoditi dan harganya karet mengalami perubahan yang fluktuatif dan menunjukkan pola yang tidak stasioner, di sisi lain pengambilan keputusan bisnis memerlukan data yang akurat dan terukur. Algoritma k-NN merupakan algoritma yang merupakan algoritma unsupervised, dan terbukti baik pada data mining. Sedangkan Particle Swarm Optimization (PSO) menunjukkan performa optimasi yang lebih baik dibandingkan dengan metode yang lain. Penelitian ini  bertujuan untuk merancang metode prakiraan yang dapat memperkirakan tingkat harga dan volume permintaan untuk TSR 20. Prakiraan dilakukan menggunakan Jaringan Syaraf Tiruan dengan algoritma propagasi balik, dimana data yang digunakan adalah data perkembangan pasar TSR pada bursa berjangka SICOM.. Berdasarkan tiga indikator pelatihan yang dijadikan acuan dalam pemilihan arsitektur terbaik, spesifikasi ke 15 tidak perlu melakukan pelatihan sampai epoch maksimum. Dalam teknik PSO terdapat beberapa cara untuk melakukan pengoptimasian diantaranya meningkatkan bobot atribut  terhadap semua atribut atau variable yang dipakai, menseleksi atribut dan fitur seleksi. Hasil penelitian dari prediksi harga komoditi karet dengan menggunakan model k-NN mendapatkan nilai RMSE sebesar 0,087 sedangkan bila menggunakan k-NN yang dioptimasi dengan menggunakan Particle Swarm Optimization didapatkan nilai  RMSE sebesar 0,082 lebih baik dibandingkan dengan hanya menggunakan k-NN saja.