<![CDATA[Peramalan data time series berfungsi sebagai alat penting untuk memahami pola temporal dan memproyeksikan hasil di masa mendatang, terutama dalam konteks menghadapi ketidakpastian global. Secara umum, peramalan dapat dilakukan dengan menggunakan pendekatan statistika atau machine learning (pembelajaran mesin). Studi ini membandingkan kinerja peramalan metode statistika (dengan AutoRegressive Integrated Moving Average atau ARIMA) dan metode pembelajaran mesin (dengan Support Vector Regression atau SVR). Variabel yang diteliti dalam studi ini adalah harga emas dunia. Estimasi parameter untuk model ARIMA dilakukan dengan menggunakan teknik Conditional Least Squares, sedangkan parameter untuk model SVR dipilih melalui metode grid search. Hasilnya menunjukkan bahwa kedua model menghasilkan prediksi yang sangat akurat, dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 6,59% untuk ARIMA dan 2,38% untuk SVR. Namun, terdapat perbedaan antara kedua pendekatan tersebut dalam hal asumsi model yang mendasari dan prosedur inferensi. Oleh karena itu, pilihan metode peramalan harus mempertimbangkan sejumlah faktor, tidak hanya karakteristik data, tetapi juga tujuan dan persyaratan khusus yang ditetapkan peneliti.]]>
Copyrights © 2025
