Pengembangan Model Klasifikasi Investasi Emas Menggunakan Gabungan Model CNN dan LSTM Untuk Data Hasil Transformasi Deret Waktu ke Citra

Salim, Magustin (2023) Pengembangan Model Klasifikasi Investasi Emas Menggunakan Gabungan Model CNN dan LSTM Untuk Data Hasil Transformasi Deret Waktu ke Citra. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6026211001-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (2MB) | Request a copy

Abstract

Pergerakan harga emas memiliki peranan yang sangat penting terhadap ekonomi dunia. Sayangnya prediksi harga emas bukanlah merupakan suatu hal yang mudah untuk dilakukan, mengingat karaktersitik dari pergerakan harga emas sendiri yang bersifat non–linear dengan pergerakan yang tidak tetap, mudah berubah dan tidak bisa dikontrol. Selain itu pergerakan harga emas juga dipengaruhi oleh banyak faktor eksternal seperti situasi ekonomi dunia dan politik. Oleh karena itu, peneliti akan mencoba untuk menggunakan perspektif dari bidang finansial lain dan teknikal analisis sebagai fitur masukan bagi model prediksi yang akan digunakan untuk menentukan tren pergerakan naik dan turunnya harga emas. Pada penelitian ini akan menggunakan 98 fitur masukan. Hal ini diharapkan agar model prediksi dapat menangkap gambaran pasar emas secara lebih luas. Belakangan ini banyak peneliti yang melakukan prediksi finansial menggunakan convolutional neural network dan long–short term memory (CNN–LSTM), namun pengguaan model CNN dari model hybrid ini belum diekplorasi dengan baik saat menggunakan data finansial yang berupa data deret waktu. Hal ini dikarenakan data deret waktu dianggap tidak dapat memberikan informasi seperti citra yaitu matriks fitur, yang dapat digunakan untuk merepresentasikan informasi oleh jaringan konvolusi pada CNN. Hasil dari penelitian ini adalah penggunaan masukan berupa citra dapat meningkatkan kinerja lapisan konvolusi pada CNN sehingga meningkatkan akurasi prediksi. Kemudian, tingkat akurasi model yang menggunakan berbagai fitur sebagai masukan tidak sebaik dengan model yang menggunakan harga emas saja sebagai masukan, dimana model prediksi tren pergerakan harga emas CNN-LSTM dengan masukan harga emas 10 hari mampu mencapai akurasi tertinggi yaitu sebesar 85.25%.
======================================================================================================================================
The movement of gold prices plays a crucial role in the global economy. However, predicting gold prices is not an easy task due to the non-linear and volatile nature of gold price movements, which are influenced by various external factors such as the world economy and politics. Therefore, researchers attempt to utilize perspectives from other financial fields and technical analysis as input features for the prediction model to determine trends in the rise and fall of gold prices. This study will employ 98 input features to capture a broader picture of the gold market. Recently, many researchers have used Convolutional Neural Networks and Long-Short Term Memory (CNN-LSTM) models for financial prediction. However, the application of CNN models in this hybrid setting has not been well explored when using time series financial data. This is because time series data is considered incapable of providing information in the form of images (matrix of features) that can be used by the convolutional layers in CNN. The results of this study show that using image-based input can enhance the performance of the convolutional layers in CNN, thereby improving prediction accuracy. However, it is observed that the accuracy level of models using various features as input is not as good as models using gold prices alone as input. For instance, the CNN-LSTM model with 10-day gold price input achieves the highest accuracy of 85.25% in predicting gold price movements.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	convolutional neural network (CNN), gold prediction, long–short term memory (LSTM), gramian angular field (GAF), multivariate, prediksi emas, convolutional neural network (CNN), gramian angular field (GAF), long–short term memory (LSTM), multivariate
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T58.62 Decision support systems
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 59101-(S2) Master Thesis
Depositing User:	Margustin Salim
Date Deposited:	09 Aug 2023 07:04
Last Modified:	09 Aug 2023 07:04
URI:	http://repository.its.ac.id/id/eprint/103469

Actions (login required)

View Item