Prediksi Harga Emas Menggunakan Algoritma Long-Short Term Memory dengan Optimasi Adaptive Momen Estimation
(1) Universitas Hasanuddin
(2) Universitas Hasanuddin
(3) Universitas Hasanuddin
(4) Universitas Hasanuddin
(5) Universitas Hasanuddin
(*) Corresponding Author
Abstract
Prediksi harga emas merupakan salah satu aspek penting dalam analisis pasar komoditas, yang berpengaruh pada keputusan investasi. Penelitian ini bertujuan untuk menerapkan algoritma Long Short-Term Memory (LSTM) yang dioptimasi dengan Adaptive Moment Estimation (Adam) untuk memprediksi harga emas berdasarkan data historis dari tahun 2000 hingga 2024. Data yang digunakan mencakup harga emas harian yang telah melalui proses preprocessing. Hasil analisis menunjukkan bahwa model LSTM mampu memberikan prediksi yang relatif akurat dalam menangani data time series. Model ini berhasil mencapai tingkat akurasi prediksi yang tinggi, dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 0.96%, Mean Squared Error (MSE) sebesar 320854.198. Prediksi harga emas menunjukkan tren kenaikan yang konsisten, memberikan wawasan berharga bagi investor dalam pengambilan keputusan. Penelitian ini diharapkan dapat menjadi referensi bagi penelitian lebih lanjut dalam pemodelan prediksi harga komoditas lainnya.
References
S. H. Y. Tyas dan S. Z. Fajriyah, Tinjauan Pustaka Sistematis: Perkembangan Metode Peramalan Harga Emas, Journal of Informatics and Communications Technology, vol. 4, no. 1, pp. 110, 2022.
D. R. Alghifari, M. Edi, dan L. Firmansyah, Implementasi Bidirectional LSTM untuk Analisis Sentimen Terhadap Layanan Grab Indonesia. Jurnal Manajemen Informatika , vol. 12, no. 2, pp. 8999, 2022.
K. K. Chandriah dan R. V. Naraganahalli, RNN/LSTM with modified Adam optimizer in deep learning approach for automobile spare parts demand forecasting, Springer Nature, 2021.
J. Cahyani, S. Mujahidin, dan T. P. Fiqar, Implementasi Metode Long Short Term Memory (LSTM) untuk Memprediksi Harga Bahan Pokok Nasional, Jurnal Sistem dan Teknologi Informasi, vol. 11, no. 2, pp. 346357, 2023.
R. N. Silalahi and M. Muljono, "Perbandingan Kinerja Metode Linear Regression, LSTM dan GRU Untuk Prediksi Harga Penutupan Saham Coco-Cola," Komputika: Jurnal Sistem Komputer, vol. 13, no. 2, pp. 201211, 2024.
L. Wiranda and M. Sadikin, "Penerapan Long Short Term Memory Pada Data Time Series Untuk Memprediksi Penjualan Produk Pt. Metiska Farma," Jurnal Nasional Pendidikan Teknik Informatika, vol. 8, no. 3, pp. 184196, 2019.
P. Sugiartawan, A. A. J. Permana, and P. I. Prakoso, Forecasting Kunjungan Wisatawan Dengan Long Short Term Memory (LSTM), Jurnal Sistem Informasi dan Komputer Terapan Indonesia, vol. 1, no. 1, pp. 4352, 2018.
L. Skovajsov, Long short-term memory description and its application in text processing, in 2017 Communication and Information Technologies, Vysoke Tatry, Slovakia, Oct. 2017, pp. 14.
X. Song, Y. Liu, L. Xue, J. Wang, J. Zhang, J. Wang, L. Jiang, dan Z. Cheng, Time-series well performance prediction based on Long Short-Term Memory (LSTM) neural network model, Journal of Petroleum Science and Engineering, vol. 186, 2020.
Y. A. Hakim, R. E. Saputra, dan A. S. R. Ansori, Sistem Pendukung Keputusan Penyiraman Tanaman Cabai dengan Memanfaatkan Kecerdasan Buatan Menggunakan Algoritma LSTM, e-Proceeding of Engineering, vol. 7, no. 2, pp. 49594967, 2020.
S. Hochreiter and J. Schmidhuber, Long short-term memory, Neural Computation, MIT Press, 1997.
X. Qu, X. Kang, Z. Chao, J. Shuai, and X. Ma, "Short-term prediction of wind power based on deep Long Short-Term Memory," Asia-Pacific Power Energy Engineering Conference (APPEEC), vol. 2016-Decem, pp. 11481152, 2016.
Z. Chang, Y. Zhang, dan W. Chen, "Electric Price Prediction based on Hybrid Model of Adam Optimized LSTM Neural Network and Wavelet Transform," International Journal of Energy Research, 2019.
A. Wibowo, P. W. Wiryawan, and N. I. Nuqoyati, Optimization of neural network for cancer microRNA biomarkers classification, Journal of Physics: Conference Series, vol. 1217, no. 1, pp. 012124, 2019.
H. Putra dan N. U. Walmi, Penerapan prediksi produksi padi menggunakan artificial neural network algoritma backpropagation, Jurnal Nasional Teknologi dan Sistem Informasi, vol. 6, no. 2, pp. 100107, 2020.
DOI: http://dx.doi.org/10.30998/faktorexacta.v18i2.26841
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
