Perbandingan Support Vector Regression dan Long Short-Term Memory untuk Prediksi Harga Crude Palm Oil Berjangka

Khoirun Nisa Harahap; Ratu Mutiara Siregar; Raden Aris Sugianto

doi:10.56427/jcbd.v5i3.996

Authors

Khoirun Nisa Harahap Institut Teknologi Sawit Indonesia
Ratu Mutiara Siregar Institut Teknologi Sawit Indonesia
Raden Aris Sugianto Institut Teknologi Sawit Indonesia

DOI:

https://doi.org/10.56427/jcbd.v5i3.996

Keywords:

Support Vector Regression, Long Short-Term Memory , Prediksi , Harga Crude Palm Oil, Machine Learning

Abstract

Indonesia sebagai produsen Crude Palm Oil (CPO) terbesar dunia memerlukan sistem prediksi harga yang akurat untuk mendukung pengambilan keputusan strategis. Penelitian ini membandingkan kinerja algoritma Support Vector Regression (SVR) dan Long Short-Term Memory (LSTM) dalam memprediksi harga CPO berjangka Bursa Malaysia menggunakan 1.426 data harian dari Investing.com periode 2 Januari 2020 hingga 30 Desember 2025. Data diproses melalui pembersihan, normalisasi Min-Max, dan pembentukan sekuens dengan lookback 30, lalu dibagi secara kronologis dengan rasio 80:20. SVR menggunakan kernel Radial Basis Function (RBF) dengan penyetelan parameter melalui GridSearchCV, sedangkan LSTM dibangun dengan arsitektur dua lapis dan Early Stopping. Evaluasi dengan RMSE dan MAPE menunjukkan kedua model mencapai akurasi sangat baik dengan MAPE di bawah 2% pada data uji. SVR memperoleh MAPE 1,29% dan RMSE 76,17 MYR/ton, sedangkan LSTM memperoleh MAPE 1,32% dan RMSE 75,22 MYR/ton. Perbedaan antar model sangat kecil sehingga tidak dapat diklaim signifikan secara statistik tanpa uji formal. Temuan ini mengindikasikan bahwa SVR dan LSTM memiliki kapabilitas setara untuk prediksi harga CPO jangka pendek berbasis data historis, dengan keterbatasan yang sama dalam menghadapi guncangan eksternal yang tidak terepresentasi pada variabel input.

Downloads

Download data is not yet available.

References

[1] Badan Pusat Statistik, “BADAN PUSAT STATISTIK BPS-STATISTICS INDONESIA,” 2023.

[2] USDA, “Foreign Agricultural Service Global Market Analysis International Production Assessment Division INDONESIA PALM OIL: HISTORICAL REVISIONS USING SATELLITE-DERIVED METHODOLOGY,” 2023.

[3] S. Utami Lestari, K. Rahmah, and U. Siadari, “DAMPAK EKSPOR CPO INDONESIA TERHADAP VOLATILITAS HARGA MINYAK NABATI GLOBAL,” Jurnal Agri Sains, vol. 9, no. 1, 2025, doi: 10.36355/jas.v9i1.1760.

[4] H. Azis, P. Purnawansyah, N. Nirwana, and F. A. Dwiyanto, “The Support Vector Regression Method Performance Analysis in Predicting National Staple Commodity Prices,” ILKOM Jurnal Ilmiah, vol. 15, no. 2, pp. 390–397, Aug. 2023, doi: 10.33096/ilkom.v15i2.1686.390-397.

[5] C. Asyraq and E. Hartati, “Perangkat Lunak untuk Memprediksi Harga Cryptocurrency Menggunakan Algoritma Support Vector Regression,” Jurnal Ilmiah Teknik Informatika dan Komunikasi, vol. 5, no. 3, pp. 614–625, Nov. 2025, doi: 10.55606/juitik.v5i3.1699.

[6] S. Saadah, F. Z. Z, and H. H. Z, “Support Vector Regression (SVR) Dalam Memprediksi Harga Minyak Kelapa Sawit di Indonesia dan Nilai Tukar Mata Uang EUR/USD,” Journal of Computer Science and Informatics Engineering (J-Cosine), vol. 5, no. 1, pp. 85–92, Jun. 2021, doi: 10.29303/jcosine.v5i1.403.

[7] K. Bagaskara, H. Perdana, S. Aprizkiyandari, and D. September, “PENERAPAN SUPPORT VECTOR REGRESSION KERNEL LINIER DALAM MERAMALKAN HARGA CPO INDONESIA Informasi Artikel ABSTRAK Sejarah Artikel,” Equator: Journal of Mathematical and Statistical Sciences (EJMSS), vol. 3, no. 2, Nov. 2024, doi: 10.26418/ejmss.v3i2.85708.

[8] D. Agustina and D. P. Sari, “Analisis Algoritma LSTM dan SVR untuk Memprediksi Saham Perbankan di Pasar Indonesia,” Sep. 2024. doi: 10.15548/jostech.v4i2.9886.

[9] N. Khairunisa and P. Hendikawati, “Long Short-Term Memory and Gated Recurrent Unit Modeling for Stock Price Forecasting,” Jurnal Matematika, Statistika dan Komputasi, vol. 21, no. 1, pp. 321–333, Sep. 2024, doi: 10.20956/j.v21i1.35930.

[10] L. S. Hasibuan and Y. Novialdi, “Prediction of Bulk and Packaged Cooking Oil Prices Using the Long Short-Term Memory (LSTM) Algorithm,” Jurnal Ilmu Komputer dan Agri-Informatika, vol. 9, pp. 149–157, Nov. 2022, doi: 10.29244/jika.9.2.149-157.

[11] F. Husaini, I. Permana, M. Afdal, and F. N. Salisah, “Penerapan Algoritma Long Short-Term Memory untuk Prediksi Produksi Kelapa Sawit,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 2, pp. 366–374, Feb. 2024, doi: 10.57152/malcom.v4i2.1187.

[12] Siregar, R., Satria, B., Fadilah, S., Mayola, L., & Safira, S. (2026). SMOTE-Based Comparative Analysis of Machine Learning Models for Stroke Risk Prediction Using Imbalanced Healthcare Data. ILKOM Jurnal Ilmiah, 18(1), 180-194. doi:https://doi.org/10.33096/ilkom.v18i1.3161.180-194

[13] Rizky Delianngi, Ratu Mutiara Siregar, Nurliana, Muhammad Akbar Syahbana Pane, Phaklen Ehkan, & Andi Prayogi. (2026). Performance Evaluation of YOLOv9, YOLOv10, and YOLOv11 for Real-Time Early Detection of Ganoderma Boninense in Oil Palm. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 10(2), 429 - 440. https://doi.org/10.29207/resti.v10i2.7479

[14] A. Atika Mahgfirah and P. Indi Rahayu, “Analisis Support Vector Regression untuk Meramalkan Saham Perusahaan Dss di Indonesia,” VARIANSI: Journal of Statistics and Its Application on Teaching and Research, vol. 7, no. 1, pp. 44–54, 2025, doi: 10.35580/variansiunm356.

[15] Z. Rais, “ANALISIS SUPPORT VECTOR REGRESSION (SVR) DENGAN KERNEL RADIAL BASIS FUNCTION (RBF) UNTUK MEMPREDIKSI LAJU INFLASI DI INDONESIA,” VARIANSI: Journal of Statistics and Its Application on Teaching and Research, vol. 4, no. 1, pp. 30–38, 2022, doi: 10.35580/variansiunm13.

[16] A. Prayogi, M. H. Aly, A. Ikhwan, M. A. S. Pane, and R. M. Siregar, “Palm Oil Quality Based on Free Fatty Acid Using SVM,” INTENSIF: Jurnal Ilmiah Penelitian dan Penerapan Teknologi Sistem Informasi, vol. 9, no. 2, pp. 303–314, Aug. 2025, doi: 10.29407/intensif.v9i2.24797.

[17] M. A. Sholeh and R. Hidayat, “PERBANDINGAN MODEL LSTM DAN GRU UNTUK MEMPREDIKSI HARGA MINYAK GORENG DI INDONESIA,” EDUSAINTEK: Jurnal Pendidikan, Sains dan Teknologi, vol. 9, no. 3, pp. 800–811, Sep. 2022, doi: 10.47668/edusaintek.v9i3.593.

[18] G. Budiprasetyo, M. Hani’ah, and D. Z. Aflah, “Prediksi Harga Saham Syariah Menggunakan Algoritma Long Short-Term Memory (LSTM),” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 8, no. 3, pp. 164–172, Jan. 2023, doi: 10.25077/teknosi.v8i3.2022.164-172.