ANALISIS ALGORITMA RANDOM FOREST DAN SUPPORT VECTOR REGRESSION (SVR) PADA PREDIKSI HARGA MINYAK BRENT OIL (BZ=F) = ANALYSIS OF RANDOM FOREST AND SUPPORT VECTOR REGRESSION (SVR) ALGORITHMS FOR PREDICTING BRENT OIL PRICES (BZ=F)

Latar Belakang. Fluktuasi harga minyak mentah menjadi perhatian utama bagi para pemangku kebijakan, para analisis ekonomi, dan juga pelaku pasar. Oleh karena itu, penting bagi kita untuk memprediksi pergerakan harga minyak Global untuk mengurangi dampak akibat fluktuasi harga minyak. Seiring berkembangnya teknologi yang memungkinkan penerapan machine learning seperti model RF dan SVR untuk membantu analisis harga minyak mentah. Oleh karena itu penelitian ini akan membandingkan analisis model pada prediksi harga minyak mentah. Tujuan. Penelitian ini bertujuan untuk membandingkan analisis algoritma Random Forest dan Support Vector Regression pada prediksi harga minyak brent. Metode. Diawali dengan melakukan collecting data dari yahoo finance, kemudian pengecekan missing value, dilanjutkan dengan penentuan fitur X dan target Y, normalisasi data, split data, tuning hyperparameter dengan optimasi Grid Search, kemudian training dan testing model, denormalisasi data, evaluasi model, dan terakhir menganalisis visualisasi hasil prediksi dan evaluasi kedua model. Hasil. Diperoleh nilai MAPE dan RMSE untuk SVR sebesar 2.13033% dan 2.16532, sedangkan RF sebesar 2.00838% dan 1.97717. Kedua model tidak terindikasi overfitting maupun underfitting (kemampuan generalisasi baik). SVR kurang agresif merespon lonjakan ekstrem, namun tetao konsisten dan rapi, sedangkan RF responsif terhadap lonjakan ekstrim. SVR cocok untuk pola data linier/semi-linier, sedangkan RF cocok untuk pola data non-linier dan kompleks. Kesimpulan. Secara keseluruhan, model RF lebih unggul dibandingkan model SVR dalam memprediksi harga minyak 03 Februari 2020 hingga 03 Februari 2023. Meski begitu, kedua model tetap layak digunakan tergantung dari karakteristik data yang digunakan dan tujuan prediksinya.

Keyword : Minyak mentah, Analisis, Support Vector Regression, Random Forest.