Komparasi algoritma Firefly, Dragonfly, dan Whale Optimization Algorithm dalam optimasi SVR untuk prediksi saham BCA

Abstract

Prediksi harga saham dihadapkan pada tantangan volatilitas dan perubahan struktural, seperti pada saham PT Bank Central Asia Tbk (BBCA) pasca stock split. Meskipun Support Vector Regression (SVR) handal untuk prediksi regresi, kinerjanya sangat bergantung pada hyperparameter (C, epsilon, gamma). Penelitian ini bertujuan mengkomparasi efektivitas Firefly Algorithm (FA), Dragonfly Algorithm (DA), dan Whale Optimization Algorithm (WOA) untuk mengoptimasi parameter SVR tersebut. Menggunakan data harian saham BBCA (1 Januari 2020 – 31 Desember 2025), model hibrida dievaluasi berdasarkan akurasi (RMSE, MAE, MAPE) dan waktu komputasi. Hasil analisis menunjukkan bahwa model DA-SVR mencapai akurasi tertinggi di antara ketiga algoritma metaheuristik (RMSE 144,30, MAPE 1,3169%), sementara model FA-SVR terbukti paling efisien dengan waktu eksekusi 6,40 detik. Secara keseluruhan, integrasi algoritma metaheuristik terbukti empiris meningkatkan akurasi dan efisiensi SVR dibandingkan metode konvensional.