Model XGB-AO : Optimasi XGBoost dengan Aquila Optimizer untuk Klasifikasi Produk Laris

Abstract

Extreme Gradient Boosting (XGBoost) merupakan algoritma yang dikenal efektif dalam menyelesaikan tugas klasifikasi melalui mekanisme boosting berbasis pohon keputusan. Meskipun menawarkan performa tinggi, XGBoost memiliki jumlah hyperparameter yang kompleks sehingga kinerjanya sangat bergantung pada proses pencarian konfigurasi yang optimal. Untuk itu, diperlukan metode optimasi yang lebih efektif agar model dapat mencapai performa terbaik. Penelitian ini bertujuan memerkenalkan model XGB-AO, yakni menggunakan algoritma optimasi Aquila Optimizer (AO) pada XGBoost untuk memperoleh kombinasi hyperparameter terbaik, kemudian dilatih dan dievaluasi. Pada penelitian ini, model tersebut dibandingkan kinerja serta efektivitasnya dengan XGBoost Vanilla dan XGBoost yang dioptimasi menggunakan Grid Search serta Random Search dalam klasifikasi produk laris pada tiga dataset berbeda. Hasil penelitian menunjukkan bahwa XGBoost Vanilla memperoleh performa yang cukup baik, namun dengan adanya optimasi menggunakan AO memberikan peningkatan signifikan. XGB-AO mencapai nilai akurasi sebesar 94,07% pada dataset pertama dan 92,18% pada dataset ketiga. Namun, model XGB-AO masih belum optimal pada dataset kedua yang disebabkan oleh minimnya jumlah data. Meskipun demikian, secara keseluruhan model XGB-AO unggul pada dua dari tiga dataset yang diuji, melampaui performa Grid Search dan Random Search. Sehingga dapat disimpulkan bahwa metode AO mampu meningkatkan kinerja model XGBoost secara efektif, khususnya pada dataset dengan pola yang lebih stabil. Model XGB-AO terbukti lebih unggul dan efektif sehingga berpotensi baik untuk prediksi produk laris. Penelitian selanjutnya disarankan untuk membandingkan penggunaan algoritma metaheuristik lainnya, serta melakukan evaluasi terhadap efisiensi komputasi. Extreme Gradient Boosting (XGBoost) is an algorithm widely recognized for its effectiveness in solving classification tasks through a decision-tree-based boosting mechanism. Despite its strong performance, XGBoost involves a large number of complex hyperparameters, making its accuracy highly dependent on the optimal configuration search process. Therefore, a more efficient optimization approach is required to ensure the model achieves its best performance. This study propose the novel XGB-AO model, which integrates the Aquila Optimizer (AO) algorithm into XGBoost to determine the optimal hyperparameter combination prior to model training and evaluation. The proposed model is compared against three baselines, including Vanilla XGBoost, Grid Search–XGBoost, and Random Search– XGBoost for the task of classifying fast-selling products across three different datasets. The results show that the default XGBoost already yields satisfactory performance. However, applying AO optimization provides more significant improvement. XGB-AO achieves an accuracy of 94.07% on the first dataset and 92.18% on the third dataset. Nevertheless, its performance on the second dataset remains suboptimal due to the limited amount of available data. Overall, XGB-AO outperforms the other models on two out of the three datasets, surpassing both Grid Search and Random Search. These findings suggest that the AO is effective in enhancing XGBoost performance, particularly on datasets with more stable patterns. The XGB-AO model demonstrates superior accuracy and reliability, indicating strong potential for fast-moving product prediction. Future research is recommended to explore other metaheuristic algorithms utilization and investigate computational efficiency across different optimization strategies.