EUVIMEDEUVIMED entdecken
Open Access · CC BY-SA 4.0

Optimasi Hiperparameter Extreme Learning Machine Menggunakan Particle Swarm Optimization dan Indikator Teknikal untuk Peramalan Bitcoin

Bagus Putra Sulung, Wiwit Agus Triyanto, Pratomo Setiaji

IDEALIS : InDonEsiA journaL Information System · 31.07.2026 · 9 (2) · 357-370

DOI: 10.36080/idealis.v9i2.3812 ↗

Kurz gefasst

Fachartikel in der Zeitschrift IDEALIS : InDonEsiA journaL Information System, online erschienen am 31.07.2026. Verfasst von Bagus Putra Sulung und 2 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-SA 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Volatilitas ekstrem aset kripto seperti Bitcoin menyulitkan upaya peramalan harga yang presisi. Pendekatan jaringan saraf tiruan Extreme Learning Machine (ELM) menawarkan kecepatan komputasi komprehensif, namun rentan terhadap instabilitas kinerja akibat inisialisasi bobot acak serta penentuan parameter hiper secara manual. Untuk mengatasi masalah tersebut, penelitian ini mengusulkan metode hibrida yang mengintegrasikan algoritma metaheuristik Particle Swarm Optimization (PSO) ke dalam arsitektur ELM. Tujuan penelitian ini adalah mengoptimasi dan mengotomatisasi pencarian parameter struktural terbaik, yaitu batas jumlah neuron tersembunyi dan penalti regularisasi regresi, guna memprediksi harga penutupan harian Bitcoin. Kemampuan generalisasi model dievaluasi secara ketat menghindari kebocoran data melalui skema Walk-Forward Validation lima lipatan, dengan menguji lima skenario dimensi fitur berbasis indikator teknikal secara komparatif. Hasil komputasi membuktikan bahwa algoritma hibrida PSO-ELM unggul secara universal dengan mereduksi persentase kesalahan rata-rata (MAPE) sebesar 18,67 persen dibandingkan arsitektur statis konvensional. Komparasi lintas skenario menyingkap bahwa penerapan fitur indikator teknikal Simple Moving Average menghasilkan model peramalan paling stabil. Model terbaik ini mencatatkan rekor penurunan tingkat kesalahan hingga 26,65 persen dengan pencapaian akurasi evaluasi akhir di angka MAPE 2,15 persen. Kesimpulannya, otomatisasi parameter yang dipadukan dengan fitur penyaring fluktuasi acak terbukti secara empiris jauh lebih tangguh dan akurat dalam merespons volatilitas ekstrem dibandingkan penumpukan berbagai indikator momentum turunan yang kompleks.

Zitieren

APA

Sulung, B. P., Triyanto, W. A., & Setiaji, P. (2026). Optimasi Hiperparameter Extreme Learning Machine Menggunakan Particle Swarm Optimization dan Indikator Teknikal untuk Peramalan Bitcoin. IDEALIS : InDonEsiA journaL Information System, 9(2), 357-370. https://doi.org/10.36080/idealis.v9i2.3812

Vancouver

Sulung BP, Triyanto WA, Setiaji P. Optimasi Hiperparameter Extreme Learning Machine Menggunakan Particle Swarm Optimization dan Indikator Teknikal untuk Peramalan Bitcoin. IDEALIS : InDonEsiA journaL Information System. 2026;9(2):357-370. doi:10.36080/idealis.v9i2.3812

BibTeX
@article{Sulung2026,
  author = {Sulung, Bagus Putra and Triyanto, Wiwit Agus and Setiaji, Pratomo},
  title = {Optimasi Hiperparameter Extreme Learning Machine Menggunakan Particle Swarm Optimization dan Indikator Teknikal untuk Peramalan Bitcoin},
  journal = {IDEALIS : InDonEsiA journaL Information System},
  year = {2026},
  volume = {9},
  number = {2},
  pages = {357--370},
  doi = {10.36080/idealis.v9i2.3812}
}
Kostenlos starten →