Adaptive Particle Swarm Optimization pada Support Vector Regression untuk Peramalan Harga Emas

Abstract

Peramalan harga emas memainkan peran penting dalam sektor investasi karena harga emas sangat fluktuatif dan dipengaruhi oleh kondisi ekonomi global. Support Vector Regression (SVR) merupakan salah satu metode machine learning yang terbukti efektif untuk prediksi deret waktu; namun, kinerjanya sangat bergantung pada penentuan parameter optimal seperti C, ε, dan γ. Parameter yang tidak akurat dapat menyebabkan model gagal menangkap dinamika pasar atau mengalami overfitting. Oleh karena itu, penelitian ini bertujuan untuk meningkatkan kinerja peramalan harga emas dengan mengintegrasikan Adaptive Particle Swarm Optimization (APSO) ke dalam model SVR untuk memperoleh kombinasi parameter optimal secara adaptif. Dataset yang digunakan terdiri dari data historis harga emas harian yang diperoleh dari Investing.com mencakup periode Februari 2014 hingga Januari 2024. Evaluasi model dilakukan menggunakan metrik MAE, RMSE, MAPE, MSE, dan R². Hasil eksperimen menunjukkan bahwa model SVR-APSO yang diusulkan mencapai kinerja terbaik dengan nilai MAE sebesar 4.626511, RMSE sebesar 6.355163, MAPE sebesar 0.246459%, MSE sebesar 40.388091, dan nilai R² sebesar 0.996617. Temuan ini menunjukkan bahwa optimisasi adaptif terhadap parameter SVR secara signifikan meningkatkan kemampuan model dalam memprediksi fluktuasi harga emas dan memberikan akurasi prediksi yang lebih baik dibandingkan SVR konvensional maupun optimisasi berbasis PSO standar. Kata Kunci – Support Vector Regression, Adaptive Particle Swarm Optimization, Peramalan Harga Emas, Machine Learning, Peramalan Deret Waktu