<![CDATA[Penelitian ini mengkaji optimasi hyperparameter pada model peramalan deret waktu untuk memprediksi pembelian bahan baku karet alam. Tiga arsitektur model—LSTM, Bi-LSTM, dan Stacked LSTM—dieksekusi dengan menerapkan tiga metode tuning, yaitu Bayesian Optimization, Hyperband, dan Optuna. Proses tuning dilakukan dengan mengeksplorasi berbagai kombinasi parameter, seperti jumlah epoch, units, dropout rate, learning rate, batch size, dan units2, dengan model dikompilasi menggunakan fungsi loss MSE dan metrik MAE. Hasil penelitian menunjukkan bahwa learning rate dan dropout rate memiliki pengaruh signifikan terhadap penurunan error, sedangkan peningkatan units2 dapat meningkatkan risiko overfitting jika tidak diimbangi dengan strategi regularisasi yang tepat. Analisis mendalam mengungkap bahwa kombinasi Bayesian dengan Stacked LSTM menghasilkan performa terbaik pada subset data dengan score terendah, sedangkan Optuna menunjukkan konsistensi optimal untuk model LSTM. Menariknya, model Bi-LSTM tidak mencapai konfigurasi optimal, kemungkinan disebabkan oleh sensitivitas tuning yang lebih tinggi atau kompleksitas arsitektur yang tidak sesuai dengan karakteristik dataset yang digunakan. Temuan ini memberikan wawasan penting untuk pengembangan model peramalan yang lebih akurat dan efisien serta membuka peluang penelitian lanjutan dalam strategi optimasi hyperparameter yang adaptif dan robust.]]>
Copyrights © 2025
