Disertasi
Minimum redundancy maximum relevance dan coefficient-averaged recursive feature elimination untuk optimasi seleksi fitur pada prediksi harga saham / Arif Mudi Priyatno
Abstrak
Recursive Feature Elimination (RFE) merupakan salah satu metode seleksi fitur yang banyak digunakan dalam pemodelan data berdimensi tinggi. Namun RFE memiliki keterbatasan karena tidak mampu menangani relevansi dan redundansi secara bersamaan serta bergantung pada estimator dalam menghasilkan bobot fitur. Ketergantungan ini menyebabkan pemeringkatan fitur menjadi tidak stabil ketika model yang digunakan berubah sehingga kontribusi fitur terhadap target prediksi tidak tercermin secara konsisten lintas estimator. Kondisi tersebut menunjukkan perlunya pendekatan seleksi fitur yang mampu mengintegrasikan informasi relevansi lebih dari satu model sekaligus dengan tetap mengendalikan redundansi antar fitur. Penelitian ini mengusulkan suatu kerangka dua tahap yang mengintegrasikan Minimum Redundancy Maximum Relevance (mRMR) sebagai pra-seleksi dan Coefficient-Averaged Recursive Feature Elimination (CA-RFE) sebagai tahap eliminasi akhir. Tahap mRMR berfungsi memfilter fitur-fitur yang relevan sekaligus mengurangi redundansi sehingga ruang pencarian fitur menjadi lebih terfokus. Selanjutnya CA-RFE memodifikasi proses RFE dengan menggabungkan bobot fitur dari dua estimator yaitu Linear Regression dan Support Vector Regression melalui normalisasi dan perataan koefisien. Mekanisme ini dirancang untuk menghasilkan pemeringkatan fitur yang lebih stabil serta mencerminkan relevansi lintas model. Metode diujikan pada data harian saham Indonesia PT Bank Central Asia Tbk (BBCA) PT Bank Negara Indonesia (Persero) Tbk (BBNI) PT Bank Rakyat Indonesia (Persero) Tbk (BBRI) PT Bank Mandiri (Persero) Tbk (BMRI) serta saham global Apple Inc. (AAPL) Amazon.com Inc. (AMZN) Alphabet Inc. (GOOGL) Netflix Inc. (NFLX) Tesla Inc. (TSLA) dan Microsoft Corporation (MSFT). Jumlah data digunakan 14 tahun. Fitur digunakan Open High Low Close Volume serta indikator teknikal Moving Averages (MA) Relative Strength Index (RSI) Bollinger Bands (BBANDS). Prediksi menggunakan machine learning Support Vector Regression. Kinerja dievaluasi dengan Mean Absolute Percentage Error (MAPE) Mean Absolute Error (MAE) Mean Squared Error (MSE) dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa skema dua tahap mRMR diikuti RFE efektif mereduksi dimensi dan menekan redundansi tanpa mengorbankan relevansi terhadap target. Penurunan kesalahan tampak konsisten pada MAE dan MAPE sementara manfaat pada MSE/RMSE cenderung lebih moderat dan sensitif terhadap jumlah fitur. Kinerja terbaik muncul saat jumlah fitur dibatasi le 60 sehingga redundansi tidak kembali meningkatkan kesalahan. Analisis komposisi sepuluh fitur teratas memperlihatkan dominasi indikator EMA dan harga penutupan (Close). RSI tidak pernah masuk 10 besar pada seluruh saham yang diuji. Bollinger Bands hanya muncul pada tahap pemeringkatan awal (mRMR) untuk BBCA umumnya pada periode yang lebih panjang namun tereliminasi pada tahap CA-RFE. Pola ini menegaskan bahwa sinyal tren berbasis MA lebih relevan untuk prediksi harga pada hari selanjutnya pada rentang data yang panjang dibandingkan RSI dan Bollinger Bands. Pendekatan integrasi mRMR yang diikuti CA-RFE memberikan capaian yang lebih baik dan stabil lintas metrik. Pada saham BMRI evaluasi diperoleh penurunan MAE dari 0.0306 menjadi 0.0116 RMSE dari 0.0356 menjadi 0.0154 MSE dari 0.0014 menjadi 0.0003 serta MAPE dari 4.98 menjadi 2.24. Temuan tersebut mengindikasikan dua hal MAE dan MAPE berada pada tingkat rendah dan MSE atau RMSE tetap terjaga dalam rentang yang terkendali. Secara keseluruhan integrasi pra-seleksi mRMR dan pemeringkatan pada CA-RFE menghasilkan subset fitur yang lebih relevan dan tidak redundan sekaligus menekan kesalahan secara konsisten.