Perbandingan Performa SVR, Random Forest dan ARIMA pada Analisis Data Deret Waktu (Studi Kasus Kemiskinan di Tingkat Kabupaten/Kota)

Abstract

Perkembangan analisis deret waktu semakin cepat, pesat dan telah banyak mengalami perkembangan dan pembaruan dengan temuan terbaru. Metode klasik yang umum digunakan dalam analisis deret waktu adalah Autoregressive Integrated Moving Average (ARIMA). Selain itu, machine learning dapat digunakan pada data analisis deret waktu untuk menangani data yang bersifat tidak stasioner, tidak linier dan overfitting serta menghasilkan akurasi yang tinggi. Contohnya adalah Support Vector Regression (SVR) dan random forest. Salah satu manfaat dari analisis deret waktu adalah memprediksi angka kemiskinan di Indonesia yang berguna bagi pemerintah untuk membuat kebijakan yang tepat agar tidak menghambat pertumbuhan ekonomi. Penelitian ini bertujuan untuk menentukan model yang terbaik berdasarkan metode SVR, random forest dan ARIMA. Data yang digunakan adalah data tingkat kemiskinan di tingkat kabupaten/kota di Pulau Jawa dari tahun 2010 hingga 2022 dengan fokus penelitian Kabupaten Karawang, Kota Bogor dan Kota Sukabumi. Hasil penelitian menunjukkan bahwa metode yang memiliki performa yang terbaik adalah SVR dengan kernel Radial Basic Function (RBF).