Implementasi Model Hybrid ARIMA-LSTM dalam Prediksi Harga Emas

Darmawan Oey, Richie (2024) Implementasi Model Hybrid ARIMA-LSTM dalam Prediksi Harga Emas. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

[img] PDF
HALAMAN_AWAL.pdf

Download (1MB)
[img] PDF
BAB_I.pdf

Download (244kB)
[img] PDF
BAB_II.pdf

Download (334kB)
[img] PDF
BAB_III.pdf

Download (609kB)
[img] PDF
BAB_IV.pdf
Restricted to Registered users only

Download (2MB)
[img] PDF
BAB_V.pdf

Download (205kB)
[img] PDF
DAFTAR_PUSTAKA.pdf

Download (215kB)
[img] PDF
LAMPIRAN.pdf
Restricted to Registered users only

Download (223kB)

Abstract

Emas merupakan logam mulia yang digunakan sebagai perhiasan atau dijadikan sebagai sarana investasi. Sebagai sarana investasi, dalam jangka pendek emas membantu mengurangi risiko penurunan portofolio, sedangkan dalam jangka panjang emas membantu mengurangi volatilitas portofolio terutama saat terjadi gejolak pasar. Dalam konteks pengukuran risiko investasi, kemampuan untuk memprediksi volatilitas emas menjadi sangat penting karena emas memiliki korelasi yang rendah terhadap pasar saham dan menawarkan profil risiko yang lebih rendah. Dalam memprediksi harga emas, menggunakan model machine learning dapat menjadi solusi untuk meminimalkan risiko kerugian dan mendukung pengambilan keputusan investor. Metode machine learning yang digunakan untuk memprediksi yaitu metode hybrid ARIMA-LSTM. Penerapan model hybrid ARIMA-LSTM dilakukan dengan memisahkan komponen linear dan non-linear dari data time series. Metode hybrid ARIMA-LSTM berhasil diterapkan untuk melakukan prediksi harga emas pada dataset harga emas Yahoo Finance dengan nilai eror Mean Absolute Percentage Error (MAPE) terendah sebesar 0.094% dan nilai eror Root Mean Square Error (RMSE) terendah sebesar 1.944. Hasil tersebut diperoleh dari serangkaian uji coba yang melibatkan berbagai skenario dengan nilai LSTM unit sebesar 128 unit, epochs sebesar 30, dan batch size sebesar 16.

Item Type: Thesis (Bachelor Thesis)
Keywords: Emas, hybrid ARIMA-LSTM, investor, machine learning, prediksi
Subjects: ?? T58.5-58.64 ??
Divisions: Faculty of Engineering & Informatics > Informatics
SWORD Depositor: Administrator UMN Library
Depositing User: Administrator UMN Library
Date Deposited: 10 Nov 2024 11:07
Last Modified: 10 Nov 2024 11:07
URI: https://kc.umn.ac.id/id/eprint/34080

Actions (login required)

View Item View Item