Optimasi Prediksi Harga Kartu Game Berdasarkan Fitur Ekosistem Pasar Lokal Menggunakan Support Vector Regression Berbasis Kernel dan Linear Regression

Abstract

Ekosistem jual beli kartu game koleksi (trading card game/TCG) di pasar lokal Indonesia berkembang pesat, namun harga kartu masih ditentukan secara subjektif melalui negosiasi individual sehingga rawan terhadap informasi asimetris antarpelaku pasar. Penelitian ini bertujuan membangun model prediksi harga kartu game berdasarkan fitur ekosistem pasar lokal, yaitu rarity, condition, usia kartu sejak rilis, nama kartu, dan set penerbitan, dengan membandingkan performa Support Vector Regression (SVR) berkernel Radial Basis Function (RBF) terhadap Linear Regression sebagai baseline. Dataset yang digunakan terdiri dari 60.530 baris data harga bulanan dari 1.000 kartu unik pada periode 2020 hingga pertengahan 2026. Data diproses melalui encoding ordinal dan biner, rekayasa fitur usia kartu, one-hot encoding variabel kategorik, serta standardisasi fitur numerik, sebelum dibagi menjadi data latih dan data uji dengan proporsi 80:20. Hyperparameter SVR (kernel RBF, C=500, gamma=0,5) diperoleh melalui GridSearchCV dengan skema 3-fold cross-validation yang menguji kernel linear, RBF, dan polynomial. Hasil pengujian menunjukkan bahwa SVR kernel RBF secara konsisten mengungguli Linear Regression pada seluruh metrik evaluasi, dengan R² sebesar 0,604 berbanding 0,181, MAE sebesar Rp11.667.484 berbanding Rp18.290.123 (turun 36,2%), dan RMSE sebesar Rp32.183.966 berbanding Rp46.258.319 (turun 30,4%). Performa SVR juga paling optimal pada kartu bertingkat rarity tinggi (Ultra Rare, R²=0,736) dibandingkan kartu Common (R²=0,388). Penelitian ini menyimpulkan bahwa pendekatan SVR berbasis kernel nonlinier lebih sesuai untuk memodelkan pola harga kartu game yang bersifat nonlinier dan dapat dimanfaatkan sebagai alat bantu estimasi harga awal bagi kolektor, penjual, maupun platform jual beli kartu di ekosistem pasar lokal.