PEMODELAN MENGGUNAKAN PENDEKATAN RECURRENT NEURAL NETWORK LONG SHORT TERM MEMORY (RNNLSTM) PADA HARGA EMAS DUNIA

ALAWIYAH, SILVIE NOOR, B2A017025 (2021) PEMODELAN MENGGUNAKAN PENDEKATAN RECURRENT NEURAL NETWORK LONG SHORT TERM MEMORY (RNNLSTM) PADA HARGA EMAS DUNIA. Sarjana / Sarjana Terapan (S1/D4) thesis, ["eprint_fieldopt_institution_Muhammadiyah University, Semarang" not defined].

Preview	Text 1. Halaman Judul.pdf Download (575kB) | Preview
Preview	Text 2. Lembar Pengesahan Pembimbing (scan).pdf Download (493kB) | Preview
Preview	Text 3. Lembar Pengesahan Skripsi (scan).pdf Download (544kB) | Preview
Preview	Text 6. ABSTRAK.pdf Download (492kB) | Preview
Preview	Text BAB I.pdf Download (628kB) | Preview
Preview	Text BAB II.pdf Download (1MB) | Preview
	Text BAB III.pdf Restricted to Repository staff only Download (617kB) | Request a copy
	Text BAB IV.pdf Restricted to Repository staff only Download (509kB) | Request a copy
Preview	Text BAB V.pdf Download (498kB) | Preview
	Text LAMPIRAN.pdf Restricted to Repository staff only Download (1MB) | Request a copy
Preview	Text DAFTAR PUSTAKA.pdf Download (621kB) | Preview
Preview	Text Manuscript Indonesia.pdf Download (1MB) | Preview

Abstract

Investasi yang hakikatnya merupakan komitmen terhadap sejumlah sumber daya tertentu dengan tujuan untuk mendapatkan keuntungan dimasa depan. Resesi ekonomi yang terjadi mengakibatkan melemahnya nilai uang dan membuat para investor mengalihkan aset keuangannya ke instrumen yang memiliki risiko lebih rendah seperti emas. Prediksi harga emas sangat dibutuhkan oleh para investor untuk menjadi bahan pertimbangan. Namun, tidak ada yang bisa memprediksi secara pasti mengenai harga emas ke depannya karena banyaknya faktor yang tidak bisa dikendalikan oleh tangan manusia. Dalam penelitian ini akan dilakukan pemodelan menggunakan pendekatan Recurrent Neural Network Long Short Term Memory (RNN-LSTM) pada harga emas dunia selama 5 tahun dengan periode 1 Januari 2016 sampai dengan 26 Februari 2021. LSTM banyak dipilih oleh peneliti untuk prediksi berbasis waktu atau time-series karena dikenal lebih unggul dan handal dalam melakukan prediksi dalam waktu lama dibanding algoritma lain. Untuk meningkatkan akurasi dalam pembuatan model prediksi, penelitian ini menggunakan algoritma optimasi Adaptive Moment Estimation (ADAM). Hasil penelitian ini menunjukkan bahwa model prediksi terbaik menggunakan RNNLSTM dengan error MAE mendapatkan nilai error sebesar 14,5923 dan skenario jumlah neuron sebanyak 30 serta epoch 500. Dari hasil perhitungan prediksi harga emas tersebut memiliki tingkat akurasi sebesar 98,91% berdasarkan nilai Mean Absolute Percentage Error (MAPE), dengan nilai MAPE sebesar 1,09% yang dimana nilai tersebut menunujukkan bahwa hasil prediksi sangat baik. Kata Kunci: Adaptive Moment Estimation (ADAM), Harga Emas, Prediksi, RNN LSTM vii

Actions (login required)

View Item