PREDIKSI FOREX MENGGUNAKAN IMPROVED FIREFLY ALGORITHM-LONG SHORT TERM-MEMORY (IFA-LSTM)

Long Short Term Memory (LSTM) adalah teknik machine learning untuk pembelajaran sequential dan dapat mengatasi permasalahan prediksi time series forex. Model prediksi forex dibuat berdasarkan LSTM dengan optimasi Improved Firefly Algorithm (IFA-LSTM). Namun, karakteristik data forex yang nonlinear dan nonstationer menjadi tantangan dalam mendapatkan nilai akurasi prediksi yang tinggi. Tujuan dari makalah ini adalah memberikan solusi terhadap masalah karakteristik time series forex yang nonlinear dan nonstationer menggunakan penggabungan metode Complete Ensemble Empirical Mode Decomposition With Adaptive Noise (CEEMDAN) dan IFA-LSTM. Data yang diprediksi akan melalui proses preprosessing menggunakan CEEMDAN kemudian metode IFA akan mencari nilai hyperparameter LSTM terbaik. Dengan menggunakan nilai hyperparameter yang tepat sesuai data dapat menghasilkan akurasi prediksi yang baik. Hasil pengujian menunjukkan bahwa model yang diusulkan dapat mengatasi permasalahan karakteristik data yang nonlinear dan nonstationer dan menghasilkan nilai akurasi yang lebih baik dibandingkan metode LSTM.