Optimisasi Hyperparameter dengan Swarm Intelligence Algorithm pada Permodelan Runtun Waktu (Studi Kasus: Prediksi Harga Emas Berjangka)
ELOK WASHILATUL FADHILAH A.S., Dr. Drs. Gunardi, M.Si.
2024 | Skripsi | STATISTIKA
Emas menjadi salah satu aset
investasi yang diminati karena bersifat safe haven dan efektif menghadapi
inflasi. Aset ini dapat dijadikan pilihan untuk investasi jangka menengah
hingga panjang. Perlunya strategi guna menentukan waktu pembelian dan penjualan
terhadap emas menjadi salah satu pertimbangan penting untuk mendapatkan
keuntungan maksimal. Penelitian ini memprediksi harga emas berjangka dengan
melibatkan variabel independen makroekonomi yang berpengaruh terhadap fluktuasi
harga emas berjangka menggunakan metode machine learning, yakni LSTM dan
GRU yang mampu mempelajari pola tidak menentu dan menyimpan informasi periode
sebelumnya yang penting dalam data runtun waktu. Akurasi model bergantung
terhadap arsitektur dan parameter yang ditentukan sebelum pelatihan model atau hyperparameter.
Hyperparameter tuning dilakukan dengan dua metode, yakni trial and
error dan optimisasi menggunakan algoritma Swarm Intelligence
Optimization yang diadaptasi dari perilaku kumpulan makhluk hidup untuk
mencapai suatu target makanan atau mangsa. Optimisasi yang sering digunakan
adalah Particle Swarm Optimization dan Grey Wolf Optimization.
PSO diadaptasi dari perilaku sekawanan burung dalam mencari makan sedangkan GWO
terinspirasi dari hirarki sosial dan perilaku berburu dari serigala abu-abu.
Pada penelitian ini, optimisasi akan diintegrasikan terhadap penentuan dari
banyak neuron hidden layer, dropout rate, dan learning rate yang akan
diibaratkan menjadi partikel dan serigala abu-abu yang akan mencari target
berupa nilai fungsi objektif paling minimum. Fungsi objektif yang digunakan
adalah MSE. Kombinasi hyperparameter kemudian digunakan untuk melatih
dan memprediksi data. Akan digunakan empat nilai metrik evaluasi, yakni MSE,
RMSE, MAE, dan MAPE untuk membandingkan dan memperoleh model paling optimal
yang ditinjau dari nilai error model yang paling rendah.
Gold is one of the preferred
investment assets due to its role as a safe haven and its effectiveness in
combating inflation. It can be a viable option for medium to long-term
investments. A strategy to determine the timing of buying and selling gold is crucial
for maximizing profits. This study predicts gold futures prices by
incorporating macroeconomic independent variables that influence gold futures
price fluctuations, using machine learning methods, namely LSTM and GRU, which
are capable of learning irregular patterns and retaining information from
previous periods that are important in time series data. The model’s accuracy
depends on the architecture and parameters determined before training called
hyperparameters. Hyperparameter tuning is carried out using two methods, trial
and error, and optimization using Swarm Intelligence Optimization algorithms
inspired by the behavior of living creatures in reaching a food target or prey.
Commonly used optimizations are Particle Swarm Optimization (PSO) and Grey Wolf
Optimization (GWO). PSO is adapted from the behavior of bird flocks in search
of food, while GWO is inspired by the social hierarchy and hunting behavior of
gray wolves. In this study, optimization will be integrated into the
determination of the number of neurons in the hidden layer, dropout rate, and
learning rate, which will be likened to particles and gray wolves searching for
the target, which is the minimum value of the objective function. The objective
function used is MSE. The hyperparameter combinations are then used to train
and predict the data. Four evaluation metrics will be used, namely MSE, RMSE,
MAE, and MAPE, to compare and obtain the most optimal model, assessed by the
model’s lowest error value.
Kata Kunci : Peramalan, pembelajaran mesin, hyperparameter tuning, optimisasi, swarm intelligence algorithm, particle swarm optimization, grey wolf optimization