Abstrak Kopi arabika tergolong salah satu komoditas unggulan didalam subsektor perkebunan di Indonesia karena memiliki peluang pasar yang baik di dalam negeri maupun luar negeri. Dalam penelitian ini akan dilakukan peramalan harga komoditi kopi arabika. Metode Time series adalah metode yang digunakan untuk peramalan dimasa lalu dan mengetahui nilai di masa yang akan datang. Seleksi fitur digunakan sebagai tujuan untuk memilih variabel-variabel yang signifikan dalam melakukan prediksi harga

more »

... iti kopi arabika menggunakan K-Nearest Neighbor (KNN) dengan Backward Elimination (BE). Hasil eksperimen penelitian ini menunjukan dimana algoritma KNN dengan Backward Elimination dapat memperkecil nilai error, dibandingkan dengan KNN tanpa seleksi fitur dan BPNN, BPNN dengan Backward Elimination. 1. Pendahuluan Sebagian besar wilayah Indonesia adalah wilayah lahan pertanian, sehingga Negara Indonesia terkenal dengan Negara agraris. Potensi pendapatan sumber daya terbesar didapatkan dari sektor pertanian. Perkebunan, sebagai salah satu subsector penting dalam sektor pertanian, mempunyai kontribusi yang signifikan terhadap perekonomian Indonesia [1]. Kopi arabika tergolong salah satu komoditas unggulan didalam subsektor perkebunan di Indonesia karena memiliki peluang pasar yang baik di dalam negeri maupun luar negeri. Produksi kopi Indonesia telah mencapai 600 ribu ton pertahunnya dan lebih dari 80 persen berasal dari perkebunan rakyat [2]. Fluktuasi harga kopi yang terjadi tidak terlepas dari perkembangan produksi kopi dunia karena adanya faktor penyebab. Pesatnya perkembangan produksi kopi dunia telah menyebabkan terjadinya pasokan kopi dunia sehingga mengakibatkan persaingan antara negara produsen semakin ketat dan pada akhirnya harga cenderung tertekan [3]. Metode time series sebagai metode peramalan, data time series pada umumnya untuk mengetahui bentuk pola variasi dimasa lalu dan mengetahui nilai di masa yang akan datang. Dengan melakukan proses determinasi metode time series memiliki kemampuan prediksi yang tinggi, dengan meninjau nilai di masa lalu maka nilai yang akan datang dapat diketahui. Signal yang kuat pada komponen determinan maka nilai yang akan datang dapat diketahui [4]. Metode K-NN adalah merupakan salah satu pendekatan yang digunakan dalam pengklasifikasian dengan secara mudah dan efisien. Konsep mendasar dari algoritma KNN yaitu mencari jarak paling terdekat diantara data yang terevaluasi dengan sejumlah K tetangga (neighbor) paling dekat dalam data uji [5]. KNN bekerja dengan cara membandingkan data uji dan data training/template. KNN mencari pola data template yang paling mendekati dengan data uji. KNN memiliki kelebihan kepada training data set yang memiliki banyak noisy serta efektif terhadap jumlah data training tinggi/besar. Namun kekurangan dari KNN masih perlu penentuan nilai K dan untuk pemelihan atribut terbaik [6]. Feature Selection adalah proses pemilihan suatu subset dari fitur asli dengan menghilangkan fitur yang tidak relevan. Pemilihan fitur akan meningkatkan efisiensi. Tujuan utama dari seleksi fitur adalah fokus pada mencari sebuah data yang relevan. Fitur yang tidak relevan dan fitur berlebihan berpengaruh terhadap hasil sehingga pemilihan fitur harus bisa mengidentifikasi data tersebut [7]. Backward Elimination untuk menghilangkan atribut atau variabel yang tidak relevan, apabila ada variabel dianggap tidak berpengaruh atau tidak signifikan dalam model maka akan dihapus dari model [8]. Metode backward elimination menghasilkan performa kinerja lebih baik ketika dibandingkan dengan cara statistik dalam menyeleksi fitur. Kinerja terbaik dapat di peroleh dari sensitivitas, spesifisitas dan keakuratan [9]. Pada penelitian ini bertujuan untuk menghasilkan model prediksi