Algoritma & Perhitungan

MinMaxScaler

Sebelum masuk ke model CNN + Seq2Seq LSTM (dashboard/ai_prediction.py), harga close dinormalisasi ke rentang [0, 1] memakai sklearn.preprocessing.MinMaxScaler(feature_range=(0, 1)) agar training stabil dan konvergen lebih cepat.

\[ X_{scaled} = \frac{X - X_{min}}{X_{max} - X_{min}} \]

Dengan \(X\) adalah nilai harga close asli, \(X_{min}\) dan \(X_{max}\) adalah nilai minimum dan maksimum pada window data historis yang dipakai untuk training.

MAPE (Mean Absolute Percentage Error)

Mengukur rata-rata deviasi persentase absolut antara harga prediksi dan harga aktual, dipakai di Tab AI Evaluation untuk menilai akurasi model per horizon (7/14/30 hari).

\[ \text{MAPE} = \frac{1}{n} \sum_{t=1}^{n} \left| \frac{A_t - F_t}{A_t} \right| \times 100\% \]

Dengan \(A_t\) adalah harga aktual pada hari \(t\), \(F_t\) adalah harga hasil prediksi pada hari \(t\), dan \(n\) adalah jumlah hari trading yang sudah terlewati sejak prediksi dibuat.

RMSE (Root Mean Square Error)

Mengukur besar error dalam satuan Rupiah (bukan persentase), lebih sensitif terhadap outlier/deviasi besar dibanding MAPE.

\[ \text{RMSE} = \sqrt{\frac{1}{n} \sum_{t=1}^{n} (A_t - F_t)^2} \]

Dengan notasi \(A_t\), \(F_t\), dan \(n\) yang sama seperti pada MAPE. Nilai RMSE yang jauh lebih besar dari MAPE (dalam basis poin) mengindikasikan adanya outlier hari tertentu dengan deviasi harga yang besar.