Saat ini penentuan area riset masih banyak bergantung kepada pendapat para ahli. Meskipun ahli tersebut memiliki pengetahuan yang mendalam di bidangnya, akan tetapi tidak semua area riset yang emerging dapat diketahui oleh ahli tersebut mengingat cepatnya perkembangan sumber-sumber informasi tentang ilmu pengetahuan dan teknologi. Namun demikian, analisis data yang berjumlah besar memerlukan waktu yang lama dan bisa jadi subyektif jika menggunakan cara manual. Beberapa penelitian sebelumnya telah menggunakan teknik kuantitatif dengan menghitung trend berdasarkan jumlah kata kunci dari suatu topik riset dan memprediksi trend tersebut untuk masa yang akan datang. Untuk prediksi trend dari data time series, saat ini pendekatan machine learning mulai banyak dikaji disamping pendekatan statistik yang sebelumnya lazim digunakan. Sementara itu, pendekatan ensemble yang menggabungkan hasil prediksi, teknik prediksi atau representasi data diyakini dapat meningkatkan akurasi prediksi. Multiple Kernel Learning (MKL) merupakan suatu teknik ensemble melalui penggabungan kernel yang menggunakan teknik machine learning, yakni Support Vector Machine (SVM), sebagai classifier atau prediktor. Dalam penelitian sebelumnya, MKL telah dimanfaatkan untuk menggabungkan fitur, yang biasa disebut sebagai data integration, dalam bidang image processing tetapi masih menggunakan single kernel. Dalam penelitian ini, MKL dimanfaatkan untuk menggabungkan fitur data time series yang berupa sliding windows dan diterapkan pada multiple kernel. Disamping itu, penelitian ini juga mengajukan penggunaan data historis sebagai pengganti training dataset untuk memilih model prediksi yang sesuai dengan karakteristik time series karena setiap model prediksi memiliki kelebihan dan keterbatasan dalam memprediksi data time series yang jenisnya cukup beragam. vii Universitas Indonesia Metodologi yang digunakan dalam penelitian bersifat kuantitatif, dengan tahapan: penyusunan data time series, ujicoba teknik prediksi yang diusulkan terhadap data acuan (benchmark), dan implementasi teknik prediksi tersebut terhadap data publikasi ilmiah dan laporan penelitian. Data benchmark didapatkan dari kompetisi time series, terutama NN3 dan M3, yang banyak digunakan sebagai acuan oleh beberapa peneliti sebelumnya. Sedangkan data laporan penelitian didapatkan dari situs Garuda dan basis data publikasi ilmiah dari Scopus. Tema riset mengacu kepada kata kunci yang digunakan dalam LCSH (Library of Congress Subject Heading) untuk data Garuda dan kata kunci area riset dalam Agenda Riset Nasional (ARN) dan dalam dokumen Scopus. Dari hasil eksperimen dapat disimpulkan bahwa teknik prediksi secara ensemble yang diusulkan dapat memberikan hasil yang cukup kompetitif dibandingkan dengan hasil terbaik dari kompetisi time series sebelumnya. Lebih lanjut, penerapan teknik prediksi yang diajukan terhadap terhadap area riset di Indonesia diharapkan dapat membantu penentu kebijakan dalam memutuskan kebijakan prioritas riset dan alokasi sumberdaya penelitian pada masa yang akan datang.