Support Vector Machine: Classification of Trade Balance of Provincies in Indonesia Based on Gross Regional Domestic Product and Large Trade Price Index in 2023

Authors

  • Rati Assyifa Putri Universitas Halu Oleo
  • Bahriddin Abapihi Universitas Halu Oleo
  • Dian Christien Arisona Universitas Halu Oleo

DOI:

https://doi.org/10.61132/ijema.v1i2.68

Keywords:

SVM, Polynomial Kernel, RBF Kernel, Hyperlane, Leave One Out Cross Validation

Abstract

The aim of this research is to classify Indonesia's trade balance data using the SVM (Support Vector Machine) method with two features, namely Gross Regional Domestic Product (X1) and Wholesale Price Index (X2). Classification is carried out by comparing two types of kernels, namely polynomial kernels and RBF (Radial Basis Function) kernels. Equality Hyperplaneobtained from the polynomial kernel is: . The Hyperplane equation obtained from the RBF kernel is:  Experimental results show that classification with polynomial kernels provides better performance than RBF kernels. This can be seen in the evaluation results which show that the Polynomial kernel has an average model goodness of 75.93% and for the RBF kernel the average model goodness is 74.07%. Leave One Out cross validation (LOOCV) simulation for training data obtained an average accuracy of 76.67% for the polynomial kernel and 66.67% for the RBF kernel. This shows that in this classification context, kernel polynomials are more effective in separating data classes.

Downloads

Download data is not yet available.

References

Asiyan, S. (2013). Pengaruh penanaman modal dalam negeri, penanaman modal asing, dan ekspor terhadap pertumbuhan ekonomi Jawa Timur. Jurnal Pendidikan Ekonomi (JUPE, 1(3).

Bank Indonesia. (2018). Nilai tukar mata uang asing terhadap rupiah Tahun 1998-2017. Diakses dari https://www.kemndag.go.id/id/ pada 21 Januari 2024, pukul 11.10 WITA.

BPS. (2023). Indeks harga perdagangan besar Indonesia. Diakses dari https://www.bps.go.id/id/ pada 19 Januari 2024, pukul 11.10 WITA.

Farina, F., & Husaini, A. (2017). Pengaruh dampak perkembangan tingkat empor dan impor terhadap nilai tukar negara ASEAN per-dollar Amerika Serikat (Studi pada International Trade Center periode tahun 2013-2015). Jurnal Administrasi Bisnis, 50(6).

Fudllayati, G. (2021). Analisis produk domestik bruto (PDB) dengan regresi nonparametrik kernel menggunakan estimator Priestley-Chao. Skripsi, Universitas Negeri Sunan Ampel, Surabaya.

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning. Springer.

Jacobus, A. (2013). Penerapan metode support vector machine pada sistem deteksi intrusi secara real-time. Berkala MIPA, 23(2), 4-6.

Kementerian Perdagangan. (2023). Nilai ekspor, impor dan neraca perdagangan tahun 2023. Diakses dari https://www.kemndag.go.id/id/ pada 21 Januari 2024, pukul 11.10 WITA.

Krugman, P. R., Obstfeld, M., & Melitz, M. J. (2014). International economics theory and policy. Pearson Education Limited.

Liani, J. (2021). Analisis peningkatan PDRB Provinsi Jawa Barat melalui kegiatan ekspor-impor. Jurnal Manajemen, Ekonomi, Keuangan dan Akuntansi, 2(1), 105-110.

Marchetti, F. (2021). The extension of Rippa’s algorithm beyond LOOCV. Applied Mathematics Letters, 120, 107262.

Permana, M. A., Sjahruddin, H., Satriani, R., Indrawati, I., & Caronge, M. A. A. (2023). Menelisik neraca perdagangan Indonesia dari faktor inflasi dan kurs. Jurnal Bina Bangsa Ekonomika, 16(2), 710-719.

Prishardoyo, B. (2008). Analisis tingkat pertumbuhan ekonomi dan potensi ekonomi terhadap produk domestik regional bruto (PDRB) Kabupaten Pati tahun 2000-2005. Jejak, 1(1).

Rachman. (2012). Perbandingan klasifikasi tingkat keganasan breast cancer dengan menggunakan regresi logistik ordinal dan support vector machine. s.l., s.n.

Romhadhoni, P., Faizah, D. Z., & Afifah, N. (2019). Pengaruh produk domestik regional bruto (PDRB) daerah terhadap pertumbuhan ekonomi dan tingkat pengangguran terbuka di Provinsi DKI Jakarta. Jurnal Matematika Integratif, 14(2), 113.

Santosa, B. (2007). Data mining teknik pemanfaatan data untuk keperluan bisnis. Graha Ilmu.

Satriyo, A. (2003). Support vector machine. Teori dan aplikasinya dalam bioinformatika, 1, 1-11.

Silitonga, dkk. (2017). Pengaruh ekspor, impor, dan inflasi terhadap nilai tukar rupiah di Indonesia. Jurnal Ekonomi Pembangunan, 15(1), 53-59.

Sukirno, S. (2006). Pengantar teori makro ekonomi. PT Raja Grafindo Persada.

Downloads

Published

2024-05-30

How to Cite

Rati Assyifa Putri, Bahriddin Abapihi, & Dian Christien Arisona. (2024). Support Vector Machine: Classification of Trade Balance of Provincies in Indonesia Based on Gross Regional Domestic Product and Large Trade Price Index in 2023. International Journal of Economics, Management and Accounting, 1(2), 221–231. https://doi.org/10.61132/ijema.v1i2.68