PREDIKSI HARGA EMAS MENGGUNAKAN METODE LSTM DAN GRU
DOI:
https://doi.org/10.23960/jitet.v11i3.3250Abstract Views: 3555 File Views: 2253 File Views: 0 File Views: 0 File Views: 0
Abstract
Prediksi harga emas sangat penting karena menjadi acuan bagi para investor untuk menentukan strategi yang tepat dalam berinvestasi. Tren metode prediksi dalam beberapa tahun terakhir adalah deep learning, yang merupakan subbidang machine learning dan populer dalam menangani masalah prediksi time-series. Dalam penelitian ini, kami membandingkan performa dua model deep learning, yaitu Long Short-Tern Memory (LSTM) dan Gated Recurrent Unit (GRU) dalam memprediksi harga Emas. Hasil dalam penelitian ini menunjukkan bahwa model LSTM memiliki performa lebih baik dibanding model GRU dalam memprediksi harga Emas, dengan hasil perhitungan nilai eror LSTM lebih rendah yaitu nilai MAE sebesar 0.0389, RMSE sebesar 0.0475, dan MAPE sebesar 5.2047%. Dari hasil penelitian ini, kami menemukan bahwa LSTM adalah model yang lebih efektif dan akurat untuk memprediksi harga Emas dibanding LSTM.
Downloads
References
S. S. Sharma, “Can consumer price index predict gold price returns?,” Econ. Model., vol. 55, pp. 269–278, Jun. 2016, doi: 10.1016/j.econmod.2016.02.014.
F.-C. Yuan, C.-H. Lee, and C. Chiu, “Using Market Sentiment Analysis and Genetic Algorithm-Based Least Squares Support Vector Regression to Predict Gold Prices:,” Int. J. Comput. Intell. Syst., vol. 13, no. 1, p. 234, 2020, doi: 10.2991/ijcis.d.200214.002.
X. Yang, “The Prediction of Gold Price Using ARIMA Model,” in Proceedings of the 2nd International Conference on Social Science, Public Health and Education (SSPHE 2018), Sanya, China: Atlantis Press, 2019. doi: 10.2991/ssphe-18.2019.66.
D. Makala and Z. Li, “Prediction of gold price with ARIMA and SVM,” J. Phys. Conf. Ser., vol. 1767, no. 1, p. 012022, Feb. 2021, doi: 10.1088/1742-6596/1767/1/012022.
M. Owen, V. Vincent, R. Br Ambarita, and E. Indra, “Implementasi Metode Long Short Term Memory Untuk Memprediksi Pergerakan Nilai Harga Emas,” J. Tek. Inf. Dan Komput. Tekinkom, vol. 5, no. 1, p. 96, Jun. 2022, doi: 10.37600/tekinkom.v5i1.507.
M. Yanto, S. Sanjaya, Y. Yulasmi, D. Guswandi, and S. Arlis, “Implementation multiple linear regresion in neural network predict gold price,” Indones. J. Electr. Eng. Comput. Sci., vol. 22, no. 3, p. 1635, Jun. 2021, doi: 10.11591/ijeecs.v22.i3.pp1635-1642.
A. Moghar and M. Hamiche, “Stock Market Prediction Using LSTM Recurrent Neural Network,” Procedia Comput. Sci., vol. 170, pp. 1168–1173, 2020, doi: 10.1016/j.procs.2020.03.049.
D. M. Gunarto, S. Sa’adah, and D. Q. Utama, “Predicting Cryptocurrency Price Using RNN and LSTM Method,” J. Sisfokom Sist. Inf. Dan Komput., vol. 12, no. 1, pp. 1–8, Mar. 2023, doi: 10.32736/sisfokom.v12i1.1554.
B. Yang, S. Sun, J. Li, X. Lin, and Y. Tian, “Traffic flow prediction using LSTM with feature enhancement,” Neurocomputing, vol. 332, pp. 320–327, 2019, doi: https://doi.org/10.1016/j.neucom.2018.12.016.
V. R. Prasetyo, S. Axel, J. T. Soebroto, D. Sugiarto, S. A. Winatan, and S. D. Njudang, “Gold Price Prediction Based on Gold.org Data Using the Long Short Term Memory Method,” SISTEMASI, vol. 11, no. 3, p. 623, Sep. 2022, doi: 10.32520/stmsi.v11i3.1999.
B. Prijono, “Pengenalan Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU) – RNN Bagian 2,” Pengenalan Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU) – RNN Bagian 2. https://indoml.com/2018/04/13/pengenalan-long-short-term-memory-lstm-dan-gated-recurrent-unit-gru-rnn-bagian-2/
K. Cho et al., “Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation.” arXiv, Sep. 02, 2014. Accessed: May 15, 2023. [Online]. Available: http://arxiv.org/abs/1406.1078
Y. Karyadi, “Prediksi Kualitas Udara Dengan Metoda LSTM, Bidirectional LSTM, dan GRU,” JATISI J. Tek. Inform. Dan Sist. Inf., vol. 9, no. 1, pp. 671–684, Mar. 2022, doi: 10.35957/jatisi.v9i1.1588.
W. Hastomo, A. S. B. Karno, N. Kalbuana, E. Nisfiani, and L. Etp, “Optimasi Deep Learning untuk Prediksi Saham di Masa Pandemi Covid-19,” J. Edukasi Dan Penelit. Inform. JEPIN, vol. 7, no. 2, p. 133, Aug. 2021, doi: 10.26418/jp.v7i2.47411.
A. A. Suryanto, “Penerapan Metode Mean Absolute Error (MEA) Dalam Algoritma Regresi Linear Untuk Prediksi Produksi Padi,” SAINTEKBU, vol. 11, no. 1, pp. 78–83, Feb. 2019, doi: 10.32764/saintekbu.v11i1.298.
B. Senkal, “Daily Gold Price Historical Data.” [Online]. Available: https://www.kaggle.com/datasets/psycon/daily-gold-price-historical-data
