| dc.description.abstract | Data deret waktu ekonomi dan komoditas sering memiliki pola musiman, perubahan volatilitas, dan hubungan prediktor-respons nonlinier yang dapat menyebabkan perbedaan kinerja metode peramalan. Penelitian ini bertujuan membandingkan kinerja ANFIS, GA-SVM, dan SVM pada data empiris harga batu bara Indonesia, mengevaluasi kinerja ketiga metode pada berbagai kondisi data simulasi, serta menyusun proyeksi harga batu bara dua belas bulan ke depan.
Data empiris terdiri atas 262 observasi bulanan periode Januari 2004 hingga Oktober 2025. Data simulasi dibangkitkan menggunakan rancangan faktorial 2 × 3 × 2 yang mencakup dua taraf musiman, tiga taraf volatilitas, serta hubungan prediktor-respons linier dan nonlinier. Sebanyak 12 skenario direplikasi 100 kali sehingga diperoleh 1.200 unit simulasi dan 3.600 hasil evaluasi. Kinerja model dievaluasi menggunakan walk-forward validation dengan skema expanding window dan horizon satu langkah ke depan. RMSE digunakan sebagai ukuran utama, sedangkan MAE dan MAPE sebagai ukuran pendukung. RMSE simulasi dianalisis menggunakan ANOVA faktorial dengan metode sebagai faktor dalam-unit, koreksi Greenhouse-Geisser, partial eta squared, uji Tukey, uji t berpasangan dengan penyesuaian Holm, dan analisis sensitivitas cluster-robust.
Pada data simulasi, GA-SVM menghasilkan rataan RMSE global terendah sebesar 1,7184, diikuti SVM sebesar 1,7231 dan ANFIS sebesar 1,7979. Volatilitas memberikan pengaruh relatif terbesar terhadap RMSE dengan partial eta squared sebesar 0,7617, diikuti musiman sebesar 0,3689 dan bentuk hubungan prediktor-respons sebesar 0,1129. Kinerja metode berbeda menurut kondisi simulasi. ANFIS cenderung unggul pada volatilitas rendah terutama untuk hubungan linier, SVM pada musiman lemah dengan hubungan nonlinier, sedangkan GA-SVM pada musiman kuat dengan volatilitas sedang hingga tinggi. Dengan demikian, tidak terdapat satu metode yang konsisten unggul pada seluruh kondisi simulasi.
Pada data empiris, SVM dan GA-SVM menunjukkan kinerja yang setara dan menghasilkan galat lebih rendah dibandingkan ANFIS. SVM dan GA-SVM menghasilkan RMSE sebesar 50,8671, MAE sebesar 27,3441, dan MAPE sebesar 14,0598%, sedangkan ANFIS menghasilkan RMSE sebesar 74,9300, MAE sebesar 41,7359, dan MAPE sebesar 21,5062%. Proyeksi November 2025 hingga Oktober 2026 dilakukan secara rekursif dengan mempertahankan prediktor eksternal pada nilai Oktober 2025 sebagai skenario persistensi. SVM dan GA-SVM menghasilkan lintasan proyeksi yang sama, sedangkan ANFIS menunjukkan perubahan yang lebih berfluktuasi. Akurasi proyeksi belum dapat dievaluasi karena nilai aktual periode proyeksi belum tersedia. Secara keseluruhan, kinerja metode dipengaruhi oleh karakteristik data yang dianalisis. | |
