Tugas Lab Session 3

PEMELAJARAN MESIN LANJUT GENAP 2020/2021

(Deadline Sabtu, 10 April 2021, pukul 23.55)

Petunjuk pengerjaan :
● Tulis jawaban untuk teori di kertas folio bergaris, A4, Pen Tablet, atau diketik. Bila
menggunakan pensil, pastikan tulisan Anda rapi dan dapat dibaca dengan jelas.
● Tulis identitas diri, seperti: Nama Lengkap dan NPM.
● Tulis jawaban dengan lengkap beserta cara pengerjaan atau penjelasan setiap tahap
pengerjaan (untuk bagian Implementasi). Deskripsi soal bagian implementasi
terdapat pada template pengerjaan soal implementasi. Perlu diingat, jangan
hanya menuliskan jawaban akhir/codingan saja.
● Penalti dikenakan kepada peserta yang mengumpulkan Tugas setelah deadline
berlalu dengan ketentuan:
○ Penalti 10% dari nilai total apabila mengumpulkan telat hingga Minggu, 11
April 2021, pukul 00.55 WIB.
○ Penalti 50% dari nilai total apabila mengumpulkan telat hingga Minggu, 11
April 2021, pukul 11.55 WIB.
○ Tidak diterima apabila lebih dari ketentuan sebelumnya.
● Tugas di-submit per individu. Oleh karena itu, Tugas akan diberikan nilai 0 apabila
peserta terbukti melakukan plagiarisme.
● Sertakan referensi dan kolaborator jika diperlukan.
● Format penulisan nama file
- Word/PDF : Tugas3_Nama Lengkap_NPM.docx(.pdf)
- Google Colab/Jupyter Notebook : Tugas3_Nama Lengkap_NPM.ipynb

Pembagian jumlah data: training 15 tahun pertama (Tahun 2000-2014) dan testing 6 tahun
selanjutnya (Tahun 2015-2020).

1. Buatlah baseline model Long Short-Term Memory (LSTM) dengan arsitektur dasar
seperti berikut:
- LSTM cells/units sebanyak 75
- LSTM stacks sebanyak 2
- Dense Layer (1 Neuron)
Kemudian lakukan prediksi menggunakan:
- 5 fitur yaitu ‘Open’, ‘High’, ‘Low’, ‘Last’, ‘Close’ untuk memprediksi
Volume-Weighted Average Price (VWAP)
- Time step yang digunakan berjumlah 7 hari sebelum
- Optimizer : Adam (learning rate 0.001)
 - Loss : MSE

Lakukan optimasi model baseline sedemikian rupa supaya bisa mendapatkan nilai
loss yang rendah dan mendapatkan score yang tinggi pada kompetisi di Kaggle.

Link kompetisi: https://www.kaggle.com/t/e9bb4738d52c49b2814e277842bf37dd