PREDIKSI HARGA PENUTUPAN EMAS HARIAN DENGAN CNN DAN BILSTM

Wahyuni, Syifa Sri (2022) PREDIKSI HARGA PENUTUPAN EMAS HARIAN DENGAN CNN DAN BILSTM. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

[img] Text (COVER-ABSTRAK)
COVER.pdf
Download (655kB)
[img] Text (BAB I)
BAB I.pdf
Download (361kB)
[img] Text (BAB II)
BAB II.pdf
Restricted to Registered users only
Download (1MB)
[img] Text (BAB III)
BAB III.pdf
Restricted to Registered users only
Download (658kB)
[img] Text (BAB IV)
BAB IV.pdf
Restricted to Registered users only
Download (895kB)
[img] Text (BAB V)
BAB V.pdf
Download (71kB)
[img] Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (161kB)
[img] Archive (SOURCE CODE)
Source Code 17.61.0111 Syifa Sri Wahyuni.zip
Restricted to Repository staff only
Download (548MB)
[img] Text (PUBLIKASI)
Publikasi 17.61.0111 Syifa Sri Wahyuni.pdf
Restricted to Repository staff only
Download (515kB)

Abstract

Masyarakat zaman sekarang sudah mengetahui apa pentingnya berinvestasi. Salah satu investasi yang paling banyak diminati adalah emas, alasanya dikarenakan emas banyak digunakan sebagai standar keuangan di banyak negara. Meski begitu berinvestasi emas juga memiliki resiko dimana harga emas cukup fluktuatif. Untuk itu prediksi mengenai harga emas menjadi hal yang penting untuk mengurangi resiko berinvestasi. Penelitian ini mengusulkan metode prediksi harga emas berdasarkan integrasi Bidirectional Long Short-Term Memory (BiLSTM) dan Convolutional Neural Networks (CNN) dengan melakukan eksplorasi penggunaan data univariate dan multivariate. Selain itu dilakukan improvisasi pada model dengan metode hyperparameter tuning untuk menemukan arsitektur jaringan terbaik dari metode BiLSTM dengan CNN pada data harga emas harian. Penelitian menunjukan bahwa arsitektur terbaik ditunjukan oleh arsitektur CNN-BiLSTM yang dilatih pada dataset multivariate 2 dengan menggunakan parameter batch size sebesar 64, jumlah unit neuron hidden BiLSTM sebesar 200 dan epoch (iterasi) yang optimal pada iterasi ke 36. CNN-BiLSTM menunjukan performa paling baik dengan nilai training MAE sebesar 0.02248 dan testing MAE sebesar 0.01983.

Item Type: Thesis (S1 - Sarjana)
Contributor:
Pembimbing
Hayaty, Mardhiya
Uncontrolled Keywords: BiLSTM, CNN, Timeseries, Deep learning, Prediksi Harga Emas
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 004 Pemrosesan data dan ilmu komputer
000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data
Divisions: Fakultas Ilmu Komputer > Informatika
Depositing User: RC Universitas AMIKOM Yogyakarta
Date Deposited: 16 Aug 2022 07:56
Last Modified: 05 Aug 2023 01:39
URI: http://eprints.amikom.ac.id/id/eprint/5863

Actions (login required)

View Item View Item