Perpustakaan Digital ITB

Harga karet TSR20 memiliki volatilitas tinggi dan dinamika yang dipengaruhi faktor pasar global, sehingga menyulitkan pengambilan keputusan taktis seperti perencanaan inventori dan penetapan kontrak jangka pendek. Penelitian ini mengusulkan kerangka peramalan hibrida satu bulan ke depan yang menggabungkan Long Short-Term Memory (LSTM) sebagai peramal utama dengan Support Vector Regression (SVR) untuk koreksi residual. Akurasi dipacu melalui optimasi hyperparameter menggunakan dua metaheuristik—Particle Swarm Optimization (PSO) dan Simulated Annealing (SA). Alur kerja mencakup: praproses data harga mingguan TSR20, pembentukan sekuens input LSTM untuk menangkap struktur temporal (tren, musiman, autokorelasi), pelatihan LSTM baseline, perhitungan residual (selisih antara realisasi dan prediksi LSTM), rekayasa fitur teknikal untuk memodelkan struktur residual, pelatihan SVR pada residual, serta integrasi koreksi sehingga prediksi akhir merupakan penjumlahan keluaran LSTM dan estimasi residual SVR. Evaluasi dilakukan secara berurutan (train–validation–test) dengan metrik RMSE, MAE, MAPE, dan R2, serta perbandingan antar-varian (baseline vs. hibrida dan PSO vs. SA). Hasil eksperimen menunjukkan bahwa pendekatan hibrida konsisten meningkatkan kinerja dibanding LSTM baseline (RMSE 12,58; MAE 10,32; MAPE 5,77; R2 0,44 pada data uji). Optimasi hyperparameter berperan penting: varian berbasis PSO menurunkan galat uji hingga kisaran RMSE ±8,6–9,0 dan MAE ±6,7–7,0, sedangkan SA berada di kisaran RMSE ±10,7–10,8 dan MAE ±8,58–8,69. Peningkatan ini terutama datang dari kemampuan SVR memanfaatkan pola residual yang masih terstruktur (mis. sisa autokorelasi dan pergeseran waktu singkat) sehingga memperbaiki ketepatan timing dan amplitudo pada horizon satu bulan. Analisis sensitivitas mengindikasikan bahwa kombinasi unit LSTM, laju belajar, ukuran batch, epoch, dropout, serta parameter SVR (C, ?, dan kernel) yang ditata melalui PSO cenderung menghasilkan trade-off bias–varians yang lebih stabil daripada SA pada dataset ini.