Strategi untuk Meningkatkan Kemampuan Peramalan Pada Model Machine Learning dengan Exogenous Variable Menggunakan LSTM

Abstract

Akurasi merupakan komponen penting dalam meningkatkan kemampuan model peramalan dalam memberikan informasi yang lebih tepat. Namun, ada beberapa tantangan yang dapat mempengaruhi hasil peramalan, termasuk keterbatasan data, ketidakpastian masa depan, kompleksitas data, hubungan non-linier dalam data, dan penggunaan variabel eksogen. Selain itu, kemampuan untuk mempertahankan dan mengidentifikasi waktu masa berlaku peramalan yang optimal sangat penting untuk menilai kekuatan hasil peramalan. Penelitian ini bertujuan untuk mengatasi tantangan tersebut dengan menggunakan model Long Short-Term Memory (LSTM) dengan dua pendekatan yaitu Single-step dan Multi-step, baik dengan atau tanpa variabel eksogen. Penelitian ini juga menerapkan strategi model peramalan seperti penyesuaian proporsi data pelatihan, data pengujian, dan waktu masa berlaku peramalan. Keempat dataset yang digunakan yaitu inflasi, harga saham, curah hujan, dan suhu, masing-masing dengan ukuran dan interval waktu berbeda. Hasilnya menunjukkan bahwa strategi peramalan yang optimal sangat bergantung pada karakteristik dataset dan waktu masa berlaku peramalan. Model LSTM Single-step lebih cocok untuk dataset kecil dengan pola stabil, seperti inflasi, sedangkan model LSTM Multi-step lebih unggul pada dataset yang lebih besar, seperti harga saham, curah hujan, dan suhu. Integrasi variabel eksogen ke dalam model LSTM terbukti meningkatkan akurasi peramalan. Waktu masa berlaku peramalan terbaik yang diperoleh yaitu inflasi dengan enam langkah ke depan (RMSE 0.25, MAPE 7.45%), harga saham dengan sepuluh langkah ke depan (RMSE 22.16, MAPE 1.1%), curah hujan dengan tiga langkah ke depan (RMSE 3.31), dan suhu dengan empat langkah ke depan (RMSE 5.94, MAPE 5.97%).