Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
16 No.
Mei 2026.
Pp.
Prediksi Pertumbuhan Ekonomi Kota Pekalongan Menggunakan Support Vector Regression Berbasis Recursive Feature Elimination Aslam Fatkhudin*.
Sobrotul Imtikhanah.
Muhammad Ramzi Ainin.
Farel Putra Kasanta.
Sarjana Informatika.
Fakultas Teknik dan Ilmu Komputer.
Universitas Muhammadiyah Pekajangan Pekalongan.
Indonesia Sarjana Akuntansi.
Fakultas Ekonomika dan Bisnis.
Universitas Muhammadiyah Pekajangan Pekalongan.
Indonesia Sarjana Informatika.
Fakultas Teknik dan Ilmu Komputer.
Universitas Muhammadiyah Pekajangan Pekalongan.
Indonesia Sarjana Informatika.
Fakultas Teknik dan Ilmu Komputer.
Universitas Muhammadiyah Pekajangan Pekalongan.
Indonesia Article Info Kata Kunci: Kota Pekalongan.
Machine Learning.
PDRB.
Pertumbuhan Ekonomi.
Support Vector Regression.
Keywords: Economic Growth.
GRDP.
Machine Learning.
Pekalongan City.
Support Vector Regression.
Article history:
Received 17 April 2026 Revised 15 April 2026 Accepted 3 Mei 2026 Available online 4 Mei 2026 DOI :
48144/suryainformatika.
* Corresponding author.
Aslam Fatkhudin E-mail address:
Fatkhudin@gmail.
ABSTRAK
Pertumbuhan ekonomi merupakan indikator makro utama dalam menilai kinerja pembangunan daerah yang seringkali menunjukkan pola nonlinier.
Penelitian ini bertujuan untuk membangun model prediksi pertumbuhan ekonomi Kota Pekalongan menggunakan algoritma Support Vector Regression (SVR) berbasis Recursive Feature Elimination (RFE).
Data yang digunakan merupakan data sekunder Badan Pusat Statistik periode 2010Ae2024.
Tahapan penelitian meliputi praproses data, normalisasi menggunakan Standard Scaler, seleksi fitur dengan RFE, serta optimasi hyperparameter melalui Grid Search dengan k-fold crossvalidation.
Hasil evaluasi menunjukkan bahwa model SVR dengan kernel Radial Basis Function (RBF) menghasilkan nilai Mean Absolute Percentage Error (MAPE) sebesar 3,82%.
Penelitian ini memberikan pendekatan komputasional untuk meningkatkan akurasi prediksi serta mendukung pengambilan keputusan berbasis data pada tingkat daerah.
ABSTRACT
Economic growth is a key macroeconomic indicator for assessing regional development performance, which often exhibits nonlinear patterns.
This study aims to develop a predictive model for economic growth in Pekalongan City using a Support Vector Regression (SVR) algorithm based on Recursive Feature Elimination (RFE).
The data used are secondary data from the Central Statistics Agency for the period 2010Ae2024.
The research stages include data preprocessing, normalization using the Standard Scaler, feature selection with RFE, and hyperparameter optimization via Grid Search with k-fold crossvalidation.
Evaluation results show that the SVR model with a Radial Basis Function (RBF) kernel yields a Mean Absolute Percentage Error (MAPE) of 3.
This study provides a computational approach to improve prediction accuracy and support data-driven decision-making at the regional level.
PENDAHULUAN
Pertumbuhan ekonomi yang diukur melalui Produk Domestik Regional Bruto (PDRB) merupakan indikator krusial dalam menilai kinerja pembangunan suatu daerah .
Bagi Kota Pekalongan, sebagai kota yang bertumpu pada sektor industri pengolahan .
hususnya bati.
dan perdagangan, fluktuasi ekonomi sangat dipengaruhi oleh dinamika pasar domestik maupun global .
Ketepatan dalam memprediksi arah ekonomi di masa depan menjadi instrumen strategis bagi Pemerintah Kota dalam menyusun anggaran serta Prediksi Pertumbuhan Ekonomi Kota Pekalongan Menggunakan Support Vector Regression Berbasis Recursive Feature Elimination Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
16 No.
Mei 2026.
Pp.
rencana pembangunan jangka menengah daerah Metodologi penelitian ini terdiri dari beberapa tahapan (RPJMD) .
yang sistematis untuk memastikan keakuratan dan Tantangan utama dalam pemodelan ekonomi daerah validitas model SVR yang dibangun, diantaranya:
adalah sifat data yang dinamis, stokastik, dan seringkali 1 Sumber Data dan Variabel nonlinier .
Metode statistik konvensional seperti regresi linier seringkali memiliki keterbatasan dalam Data penelitian merupakan data sekunder dari BPS menangkap hubungan kompleks antar variabel ekonomi Kota Pekalongan periode 2010Ae2024 .
Variabel makro .
Seiring dengan perkembangan kecerdasan dependen dinotasikan sebagai Y, yaitu laju buatan, penggunaan machine learning menawarkan pertumbuhan PDRB atas dasar harga konstan solusi melalui algoritma yang mampu melakukan (ADHK).
Variabel independen dinotasikan sebagai X generalisasi tinggi pada data berukuran kecil hingga = .
CA, xCC, xCE} yang meliputi:
xCA: investasi Support Vector Regression (SVR) merupakan xCC: tenaga kerja pengembangan dari Support Vector Machine (SVM) xCE: konsumsi rumah tangga yang dirancang khusus untuk masalah regresi .
SVR
bekerja dengan prinsip Structural Risk Minimization (SRM) yang membuatnya lebih tahan terhadap overfitting dibandingkan model berbasis jaringan syaraf tiruan .
Kebaruan penelitian ini terletak pada integrasi teknik Recursive Feature Elimination (RFE) untuk menyeleksi variabel ekonomi makro Kota Pekalongan guna meningkatkan presisi prediksi .
Penelitian ini diharapkan menghasilkan model prototipe yang tervalidasi secara historis sesuai dengan Tingkat Kesiapan Teknologi (TKT) 6 .
Meskipun berbagai penelitian telah mengkaji penggunaan Support Vector Regression (SVR) dalam prediksi ekonomi dan data deret waktu, sebagian besar studi masih berfokus pada optimasi parameter dan pemilihan kernel tanpa mempertimbangkan proses seleksi fitur secara sistematis.
Beberapa penelitian terdahulu juga menggunakan seluruh variabel input tanpa mengevaluasi kontribusi masing-masing fitur, sehingga berpotensi menurunkan performa model akibat adanya redundansi dan noise.
Oleh karena itu, masih terdapat kebutuhan untuk mengintegrasikan metode seleksi fitur yang efektif dalam kerangka pemodelan SVR.
Berdasarkan celah tersebut, penelitian ini mengusulkan integrasi Recursive Feature Elimination (RFE) pada model SVR untuk mengidentifikasi variabel ekonomi yang paling relevan dalam memprediksi pertumbuhan ekonomi Kota Pekalongan.
Pendekatan ini diharapkan tidak hanya meningkatkan akurasi model, tetapi juga memberikan interpretasi yang lebih baik terhadap faktor-faktor penentu pertumbuhan ekonomi daerah.
Dataset terdiri dari 15 observasi tahunan .
0Ae2.
2 Tahapan Praproses Mengingat SVR sangat sensitif terhadap skala data, dilakukan normalisasi menggunakan StandardScaler untuk memastikan semua fitur memiliki mean 0 dan standar deviasi 1 .
Hal ini krusial agar fitur dengan nilai numerik besar .
eperti investas.
tidak mendominasi fitur lainnya dalam perhitungan fungsi Model SVR menggunakan kernel Radial Basis Function (RBF) dengan parameter utama:
C .
egularization paramete.
A .
psilon-insensitive los.
Nilai optimal ditentukan menggunakan Grid Search.
3 Arsitektur SVR dan Optimasi Penelitian ini menggunakan kernel Radial Basis Function (RBF) karena kemampuannya memetakan data ke ruang dimensi yang lebih tinggi untuk menemukan pola nonlinier .
Parameter optimal (OA, yun, y.
ditentukan melalui metode Grid Search.
Selain itu, teknik RFE diterapkan untuk mereduksi noise dengan mengeliminasi fitur yang tidak berkontribusi signifikan terhadap akurasi model .
Metode RFE digunakan karena dapat mengeliminasi fitur secara bertahap, menentukan fitur paling relevan dan dapat mengurangi Evaluasi menggunakan k-fold cross-validation .
HASIL DAN PEMBAHASAN
Dataset Time Series Pertumbuhan Ekonomi Data yang digunakan dalam penelitian ini adalah Laju Pertumbuhan PDRB Kota Pekalongan Atas Dasar Harga Konstan (ADHK) periode 2010-2023.
Tabel 1 menunjukkan fluktuasi ekonomi yang menjadi basis pelatihan model SVR.
METODE PENELITIAN
Tabel 1.
Dataset Historis Pertumbuhan Ekonomi Kota Pekalongan Prediksi Pertumbuhan Ekonomi Kota Pekalongan Menggunakan Support Vector Regression Berbasis Recursive Feature Elimination Jurnal Surya Informatika Tahun Pertumbuhan Ekonomi % Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
16 No.
Mei 2026.
Pp.
Kondisi Ekonomi pada tahun 2020 akibat pandemi COVID-19.
Hal ini menunjukkan kemampuan kernel RBF dalam Normal memodelkan hubungan nonlinier antar variabel Kontraksi (Pandemi Covidekonomi.
Pemulihan Awal Akselerasi Pasca Pandemi Stabilisasi Berdasarkan data historis ekonomi Kota Pekalongan seperti yang disajikan pada table 1, menunjukkan bahwa kondisi ekonomi Kota Pekalongan mengalami guncangan signifikan pada tahun 2020 akibat pandemi, namun berhasil pulih dengan cepat pada tahun-tahun berikutnya.
Hasil Prediksi Model SVR Setelah dilakukan training menggunakan kernel Radial Basis Function (RBF) dan optimasi parameter melalui Grid Search, model SVR menghasilkan nilai prediksi yang sangat mendekati data aktual.
Tabel 2 merinci perbandingan tersebut beserta proyeksi untuk dua tahun ke depan.
Tabel 2.
Perbandingan Data Aktual dan Prediksi SVR .
Tahun Aktual (%) Prediksi
SVR (%)
Selisih (Erro.
Proyeksi Proyeksi Perhitungan Validitas Model Untuk mengukur keandalan model SVR yang dibangun, dilakukan evaluasi menggunakan tiga metrik statistik utama berdasarkan selisih data aktual dan prediksi pada periode 2019-2023, yaitu Mean Absolute Error (MAE) untuk menghitung rata-rata kesalahan absolut menghasilkan nilai 0.
Root Mean Square Error (RMSE) untuk mengukur akar rata-rata kuadrat kesalahan untuk mendeteksi deviasi besar menghasilkan nilai 157 dan terakhir menggunakan Mean Absolute Percentage Error (MAPE) yang merupakan metrik utama untuk menentukan akurasi dalam bentuk persentase menghasilkan nilai 3.
Berdasarkan kriteria industri, nilai MAPE < 10% dikategorikan sebagai prediksi dengan kemampuan Sangat Baik (Highly Accurat.
Hal ini membuktikan bahwa parameter model SVR yang dipilih sangat efektif untuk memodelkan pertumbuhan ekonomi Kota Pekalongan yang fluktuatif.
Pembahasan Analisis Model Model SVR mampu mengikuti pola fluktuasi ekonomi secara konsisten, termasuk menangkap penurunan tajam Insight dari RFE Penerapan Recursive Feature Elimination (RFE) berkontribusi dalam meningkatkan performa model dengan mengeliminasi fitur yang tidak relevan, sehingga mengurangi kompleksitas model dan potensi Interpretasi Ekonomi Secara ekonomi, hasil ini menunjukkan bahwa variabel investasi dan tenaga kerja memiliki pengaruh dominan terhadap pertumbuhan ekonomi daerah, sejalan dengan teori pertumbuhan ekonomi regional.
Keterbatasan Penelitian Penelitian ini memiliki keterbatasan pada jumlah dataset yang relatif kecil serta belum adanya perbandingan dengan model lain.
KESIMPULAN
Penelitian ini berhasil mengembangkan model prediksi pertumbuhan ekonomi Kota Pekalongan menggunakan Support Vector Regression (SVR) dengan kernel Radial Basis Function (RBF).
Hasil evaluasi menunjukkan bahwa model memiliki tingkat akurasi yang tinggi dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 3,82%, yang menunjukkan kemampuan dalam menangkap pola nonlinier data Kontribusi utama penelitian ini terletak pada integrasi metode Recursive Feature Elimination (RFE) dalam pemodelan SVR untuk meningkatkan efisiensi dan akurasi melalui seleksi fitur yang relevan.
Pendekatan ini memberikan kontribusi pada bidang machine learning khususnya dalam pemodelan time series ekonomi skala daerah.
Namun demikian, penelitian ini memiliki keterbatasan pada jumlah data yang relatif kecil serta belum adanya perbandingan dengan metode lain.
Oleh karena itu, penelitian selanjutnya disarankan untuk menggunakan dataset yang lebih besar, menambahkan variabel ekonomi yang lebih beragam, serta melakukan analisis komparatif dengan algoritma lain seperti ARIMA atau LSTM.
UCAPAN TERIMAKASIH
Prediksi Pertumbuhan Ekonomi Kota Pekalongan Menggunakan Support Vector Regression Berbasis Recursive Feature Elimination Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
16 No.
Mei 2026.
Pp.
Indonesia,Ay VARIANSI J.
Stat.
Its Appl.
Teach.
Res.
, vol.
Terimakasih kami sampaikan kepada Universitas 4, no.
1, pp.
30Ae38, 2022, doi: 10.
35580/variansiunm13.
Muhammadiyah Pekajangan Pekalongan yang telah .
Adiningsi.
Pramono.
Sajiah, and R.
Saputra, mendanai penelitian ini.
AuIDENTIFIKASI KUALITAS IKAN CAKALANG
REFERENSI