PERBANDINGAN ALGORITMA SIMPLE LINEAR REGRESSION DAN SUPPORT VECTOR REGRESSION DALAM PREDIKSI JUMLAH PENDUDUK DI SULAWESI TENGGARA
DOI:
https://doi.org/10.46880/mtk.v10i1.2548Keywords:
Pertumbuhan Penduduk, Prediksi, Simple Linear Regression, Support Vector RegressionAbstract
Pertumbuhan penduduk di Sulawesi Tenggara terus meningkat, mencapai kenaikan sekitar 8% dari tahun 2014 hingga 2023, seperti yang tercatat dalam data Badan Pusat Statistika (BPS). Dampak potensial dari fenomena ini pada kehidupan masyarakat dan pembangunan wilayah perlu menjadi perhatian. Dengan memprediksi jumlah penduduk, dapat membantu dalam perencanaan pembangunan jangka panjang, pengembangan infrastruktur, dan pengelolaan dan alokasi sumber daya. Penelitian ini bertujuan untuk menciptakan model yang efektif untuk meramalkan pertumbuhan penduduk dengan akurasi yang baik. Data yang digunakan adalah data jumlah penduduk Sulawesi Tenggara dari tahun 2014 hingga 2023 menurut kabupaten/kota oleh BPS. Prediksi dilakukan menggunakan metode Support Vector Regression (SVR) dan Simple Linear Regression (SLR). Hasil perbandingan menunjukkan bahwa SLR menunjukkan performa yang lebih baik secara umum dibandingkan dengan SVR pada sebagian besar model, dengan memiliki rata-rata MAPE sebesar 1.89% dan RMSE sebesar 0.51%. Temuan ini mengonfirmasi bahwa SLR merupakan algoritma yang lebih akurat dalam meramalkan pertumbuhan penduduk di Sulawesi Tenggara.
References
L. Hurriah, “Analisis Fenomena Sosial Mudik Juga Menjadi Faktor Kepadatan Penduduk,” in Prosiding Seminar Sastra Budaya dan Bahasa (SEBAYA), 2023, pp. 139–147.
Y. G. Winarti, “Analisis Hubungan Antara Pertumbuhan Penduduk, Konsumsi Makanan, dan Tingkat Partispasi Angkatan Kerja Perempuan Terhadap Pertumbuhan Ekonomi di Kota Magelang,” Jurnal Jendela Inovasi Daerah, vol. 3, no. 2, pp. 1–16, 2020.
C. M. Annur, “10 Negara dengan Jumlah Penduduk Terbanyak di Dunia Pertengahan 2023,” Databoks. Accessed: Jan. 09, 2024. [Online]. Available: https://databoks.katadata.co.id/datapublish/2023/07/28/10-negara-dengan-jumlah-penduduk-terbanyak-di-dunia-pertengahan-2023
Kementerian Dalam Negeri Republik Indonesia, “Data Kependudukan Berdasarkan Provinsi 2023,” Satu Data. Accessed: Jan. 09, 2024. [Online]. Available: https://e-database.kemendagri.go.id/kemendagri/dataset/1102/tabel-data
R. J. Hyndman and G. Athanasopoulos, Forecasting: principles and practice. OTexts, 2018.
H. D. E. Sinaga and N. Irawati, “Perbandingan double moving average dengan double exponential smoothing pada peramalan bahan medis habis pakai,” JURTEKSI (Jurnal Teknologi dan Sistem Informasi), vol. 4, no. 2, pp. 197–204, 2018, doi: https://doi.org/10.33330/jurteksi.v4i2.60.
G. A. Shewa and F. I. Ugwuowo, “A new hybrid estimator for linear regression model analysis: computations and simulations,” Sci Afr, vol. 19, p. e01441, 2023.
D. Parbat and M. Chakraborty, “A python based support vector regression model for prediction of COVID19 cases in India,” Chaos Solitons Fractals, vol. 138, p. 109942, 2020.
D. S. Seruni, M. T. Furqon, and R. C. Wihandika, “Sistem Prediksi Pertumbuhan Jumlah Penduduk Kota Malang menggunakan Metode K-Nearest Neighbor Regression,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 4, no. 4, pp. 1075–1082, 2020.
V. Arinal and M. Azhari, “Penerapan Regresi Linear Untuk Prediksi Harga Beras Di Indonesia,” Jurnal Sains dan Teknologi, vol. 5, no. 1, pp. 341–346, 2023.
M. Hasanudin, I. Prihandi, and S. Nazua, “a Comparative Study of Iconnet Jabodetabek and Banten Using Linear Regression and Support Vector Regression,” Journal of Computer Networks, Architecture and High Performance Computing, vol. 6, no. 1, pp. 119–127, 2024.
V. R. Prasetyo, M. Mercifia, A. Averina, L. Sunyoto, and B. Budiarjo, “Prediksi Rating Film Pada Website IMDB Menggunakan Metode Neural Network,” NERO (Networking Engineering Research Operation), vol. 7, no. 1, pp. 1–8, 2022.
S. Kim and H. Kim, “A new metric of absolute percentage error for intermittent demand forecasts,” Int J Forecast, vol. 32, no. 3, pp. 669–679, 2016, doi: https://doi.org/10.1016/j.ijforecast.2015.12.003.
P. Singla, M. Duhan, and S. Saroha, “10 - Different normalization techniques as data preprocessing for one step ahead forecasting of solar global horizontal irradiance,” in Artificial Intelligence for Renewable Energy Systems, A. K. Dubey, S. K. Narang, A. L. Srivastav, A. Kumar, and V. García-Díaz, Eds., in Woodhead Publishing Series in Energy. , Woodhead Publishing, 2022, pp. 209–230. doi: https://doi.org/10.1016/B978-0-323-90396-7.00004-3.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Rafi Iyad Madani Chaidir, Ahmad Fadli Ramadhan, Hashimatul Zaria, Rizal Adi Saputra
This work is licensed under a Creative Commons Attribution 4.0 International License.
