Christopher, Juan (2025) Analisis Perbandingan Pasar Antara Komoditas Emas dan Perak dengan Menggunakan Algoritma Long Short-Term Memory. Bachelor Thesis thesis, Universitas Multimedia Nusantara.
![]() |
PDF
HALAMAN_AWAL.pdf Download (1MB) |
![]() |
PDF
BAB_I.pdf Download (402kB) |
![]() |
PDF
BAB_II.pdf Download (549kB) |
![]() |
PDF
BAB_III.pdf Download (409kB) |
![]() |
PDF
BAB_IV.pdf Restricted to Registered users only Download (1MB) |
![]() |
PDF
BAB_V.pdf Download (227kB) |
![]() |
PDF
DAFTAR_PUSTAKA.pdf Download (248kB) |
![]() |
PDF
LAMPIRAN.pdf Restricted to Registered users only Download (361kB) |
Abstract
Emas dan perak merupakan komoditas logam mulia yang memiliki peran penting dalam perekonomian global, baik sebagai simbol kekayaan, nilai lindung, dan sarana investasi. Pergerakan harga kedua komoditas ini sangat dipengaruhi oleh fluktuasi harga yang cukup besar. Fluktuasi harga yang tinggi ini membuat prediksi emas dan perak menjadi sebuah tantangan, terutama bagi investor yang menggunakan analisis teknikal. Penelitian ini berfokus pada penggunaan metode deep learning, khususnya algoritma Long Short-Term Memory, untuk memprediksi harga emas dan perak berdasarkan data historis harian dari tahun 2005 hingga 2024. Untuk mengoptimalkan performa model, penelitian ini mengeksplorasi tiga arsitektur LSTM, yakni Vanilla LSTM, Stacked LSTM, dan Bi-LSTM, menggunakan fungsi aktivasi, dan menambahkan algoritma optimasi. Evaluasi performa model dilakukan menggunakan metrik mean absolute percentage error, dan R-Square, serta uji distribusi residual menggunakan metode Kolmogorov-Smirnov. Hasil penelitian menunjukkan bahwa kombinasi model lebih baik untuk prediksi harga perak adalah Bi-LSTM dengan aktivasi ReLU dan optimizer RMSProp, menghasilkan R-Square sebesar 0.982 dan mean absolute percentage error 1.305%. Sementara itu, prediksi harga emas menggunakan Bi-LSTM dengan aktivasi ReLU dan optimizer adam, menghasilkan R- Square sebesar 0.995 dan mean absolute percentage error 0.676%. Model emas menunjukkan lebih unggul dalam stabilitas distribusi error yang lebih simetris. Penelitian ini membuktikan bahwa kombinasi arsitektur, fungsi aktivasi, dan optimasi pada LSTM dapat secara signifikan mempengaruhi akurasi prediksi harga logam mulia, serta memberikan kontribusi dalam pengambilan keputusan investasi yang lebih baik.
Item Type: | Thesis (Bachelor Thesis) |
---|---|
Keywords: | Emas dan Perak, Fungsi aktivasi, Long short-term memory, Optimasi, Prediksi |
Subjects: | ?? T70 ?? |
Divisions: | Faculty of Engineering & Informatics > Information System |
SWORD Depositor: | Administrator UMN Library |
Depositing User: | Administrator UMN Library |
Date Deposited: | 02 Aug 2025 11:03 |
Last Modified: | 02 Aug 2025 11:03 |
URI: | https://kc.umn.ac.id/id/eprint/39718 |
Actions (login required)
![]() |
View Item |