PERAMALAN HARGA PENUTUPAN MINYAK MENTAH BRENT MENGGUNAKAN RANDOM FOREST, XGBOOST, DAN SUPPORT VECTOR REGRESSION DENGAN OPTIMASI HYPERPARAMETER BERBASIS OPTUNA=BRENT CRUDE OIL CLOSING PRICE FORECASTING USING RANDOM FOREST, XGBOOST, AND SUPPORT VECTOR REGRESSION WITH OPTUNA-BASED HYPERPARAMETER OPTIMIZATION

Latar belakang. Minyak mentah brent merupakan salah satu jenis minyak mentah yang dijadikan sebagai patokan atau benchmark oleh pasar global dimana fluktuasi harga minyak tersebut dapat berdampak langsung pada pasar minyak dunia, sehingga prediksi yang akurat terhadap harga minyak tersebut sangat penting. Tujuan. Penelitian ini bertujuan membandingkan kinerja tiga algoritma machine learning, yaitu Random Forest, XGBoost, dan Support Vector Regression (SVR), dalam meramalkan harga penutupan minyak mentah brent menggunakan data historis harian Minyak Brent Berjangka dari 1 Juli 2021 hingga 30 Juni 2025. Metode. Penelitian ini secara garis besar dibagi menjadi beberapa tahap, yakni: 1) Pengambilan data; 2) Preprocessing data; 3) Pemilihan fitur untuk dataset final; 4) Pencarian nilai hyperparameter terbaik; 5) Pengimplementasian model; 6) Evaluasi kinerja model. Hasil. Random Forest memperoleh skor MAE 1,3848, MAPE 2,00%, MSE 3,6823, RMSE 1,9189, dan R2_Score 0,8345. Sementara itu, . XGBoost memperoleh skor MAE 1,4692, MAPE 2,12%, MSE 4,0639, RMSE 2,0159, dan R2_Score 0,8173. Kemudian, SVR memperoleh skor MAE 1,0669, MAPE 1,49%, MSE 2,1325, RMSE 1,4603, dan R2_Score 0,9041. Kesimpulan. Ketiga model yang dihasilkan punya kinerja yang tergolong sangat kuat atau sangat akurasi, akan tetapi dari ketiga model tersebut SVR yang memiliki kinerja paling baik dalam memprediksi harga minyak mentah brent.