Optimasi Hyperparameter Bidirectional LSTM Menggunakan Particle Swarm Optimization untuk Estimasi Harga Saham PTBA

Abstract

Estimasi harga saham merupakan permasalahan yang kompleks akibat pergerakan harga yang bersifat volatil dan non-linear. Penelitian ini mengimplementasikan model Bidirectional Long Short-Term Memory (BiLSTM) yang dioptimasi menggunakan Particle Swarm Optimization (PSO) untuk melakukan estimasi harga saham PTBA. Data yang digunakan merupakan data historis harian saham PTBA sebanyak 1.199 data dari rentang 5 Mei 2021 hingga 5 Mei 2026 yang diperoleh dari investing.com. PSO digunakan untuk menentukan kombinasi hyperparameter optimal pada model BiLSTM yang meliputi learning rate, hidden units pada dua lapisan, dan dropout rate, dengan menggunakan 20 partikel dan 30 iterasi. Hasil optimasi PSO menghasilkan kombinasi hyperparameter optimal yaitu learning rate sebesar 0,00402, hidden units lapisan pertama sebesar 92, hidden units lapisan kedua sebesar 48, dan dropout rate sebesar 0,14600. Model PSO-BiLSTM yang dilatih menggunakan kombinasi tersebut menghasilkan nilai MAE sebesar 31,7024, RMSE sebesar 50,7833, dan MAPE sebesar 1,1745% pada data uji. Hasil komparasi dengan model Baseline BiLSTM menunjukkan peningkatan akurasi sebesar 33,43% pada MAE, 23,19% pada RMSE, dan 33,96% pada MAPE, membuktikan bahwa optimasi hyperparameter menggunakan PSO mampu meningkatkan kemampuan estimasi model BiLSTM secara signifikan.   Kata Kunci - BiLSTM, PSO, Optimasi Hyperparameter, Estimasi Harga Saham, PTBA