latihan time series

Menganalisis Level Risiko Investasi dengan Menggunakan SVM. Support Vector Machine (SVM) adalah teknik kecerdasan buatan yang bisa digunakan untuk mengklasifikasikan investasi berdasarkan tingkat risikonya. Dengan menganalisis berbagai faktor seperti volatilitas dan return historis, SVM dapat membantu investor membuat keputusan yang lebih baik

analisis terhadap data yang berkaitan dengan tingkat risiko investasi di berbagai negara. Berikut adalah deskripsi langkah-langkah dan fungsionalitas dari kode tersebut: 1. Memuat Library yang Diperlukan Program ini dimulai dengan memuat beberapa paket R yang penting untuk analisis data, pemodelan, dan visualisasi: readxl: Digunakan untuk membaca file Excel. mlr3, mlr3verse, mlr3learners: Digunakan untuk membangun dan mengevaluasi model pembelajaran mesin. ggpubr, ggplot2: Digunakan untuk visualisasi data. data.table, dplyr: Digunakan untuk manipulasi data. skimr: Digunakan untuk memberikan ringkasan data yang informatif. 2. Memuat Data Level_Risiko_Investasi <- read_excel("~/Statistik ekonomi industri/Level_Risiko_Investasi.xlsx") Data risiko investasi dibaca dari file Excel dan disimpan dalam variabel Level_Risiko_Investasi. 3. Menampilkan Data r Salin kode View(Level_Risiko_Investasi) Data ditampilkan dalam tampilan tabel untuk memudahkan eksplorasi. 4. Mengolah Data Level_Risiko_Investasi$`Risk Level` <- as.factor(Level_Risiko_Investasi$`Risk Level`) Kolom Risk Level diubah menjadi faktor, yang penting untuk analisis klasifikasi. 5. Ringkasan Data summary(Level_Risiko_Investasi) Memberikan ringkasan statistik dari data, termasuk distribusi dan nilai-nilai yang hilang. 6. Visualisasi Data Serangkaian plot boxplot dibuat untuk menganalisis hubungan antara berbagai fitur (X1, X2, ... X14) dan Risk Level. Setiap plot memberikan wawasan visual tentang sebaran data untuk masing-masing variabel independen terhadap tingkat risiko investasi: X1: Capital adequacy ratio X2: GDP per capita X3: Gross External Debt X4: Growth of consumer price X5: Growth of population X6: Growth of Real GDP X7: Growth of Real GDP per capita X8: Loan-deposit ratio X9: Net External Debt X10: Nominal GDP X11: Non-performing loans X12: Percentage of gross domestic investment to GDP X13: (Data tampak terputus) Setiap plot memiliki label sumbu yang jelas untuk membantu interpretasi hasil. Kesimpulan Program ini memberikan gambaran komprehensif tentang data risiko investasi dengan memuat data, memformat variabel, memberikan ringkasan statistik, dan menciptakan visualisasi untuk analisis lebih lanjut. Visualisasi boxplot membantu dalam memahami bagaimana setiap variabel berhubungan dengan tingkat risiko, yang dapat digunakan untuk analisis lebih lanjut atau pemodelan prediktif. Jika ada bagian yang ingin Anda kembangkan lebih lanjut, silakan beri tahu!