Perbandingan Metode RNN Menggunakan Gated Recurrent Units (GRU) dan Legendre Memory Units (LMU) dalam Memprediksi Harga Emas ANTAM

Irawan, Regina Angel (2024) Perbandingan Metode RNN Menggunakan Gated Recurrent Units (GRU) dan Legendre Memory Units (LMU) dalam Memprediksi Harga Emas ANTAM. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5006201037-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (2MB) | Request a copy

Abstract

Indonesia merupakan salah satu negara berkembang yang sedang mengalami kemajuan dalam berbagai bidang termasuk ekonomi. Tren berinvestasi merupakan salah satu faktor yang mendorong perkembangan ekonomi di Indonesia. OJK mencatat bahwa 11,42 juta masyarakat Indonesia telah melakukan investasi. Emas merupakan salah satu instrumen investasi yang populer di Indonesia. PT Aneka Tambang Tbk (ANTAM) merupakan salah satu BUMN yang bergerak pada bidang pertambangan dan menyediakan produk berupa emas batangan sebagai produk yang mendominasi penjualannya. Hal ini menjadikan emas ANTAM sebagai prospek investasi yang diminati. Mengetahui harga emas di masa depan merupakan keuntungan bagi investor karena dapat dijadikan acuan perencanaan keuangan. Penelitian ini akan membandingkan dua metode pengembangan Recurrent Neural Network (RNN) yaitu Gated Recurrent Units (GRU) dan Legendre Memory Units (LMU) dalam memprediksi harga emas ANTAM menggunakan Mean Absolute Percentage Error (MAPE). Data yang digunakan adalah harga harian emas ANTAM periode 2021-2023 yang diperoleh dari situs www.logammulia.com. Selanjutnya, dilakukan peramalan harga emas ANTAM menggunakan metode terbaik. Tujuan penelitian ini adalah meramalkan harga emas ANTAM guna memberikan masukan kepada investor dalam pengambilan keputusan investasi dan keuangan di masa depan. Pemodelan GRU menghasilkan MAPE terbaik sebesar 0,3726%. Sedangkan pemodelan LMU menghasilkan MAPE terbaik sebesar 0,3702%. Hal ini menunjukkan bahwa performa LMU lebih baik daripada GRU. Peramalan harga emas ANTAM dimulai dari tanggal 30 Desember 2023 hingga 28 Januari 2024 mengunakan metode LMU. Hasil peramalan menunjukkan bahwa harga emas ANTAM akan berfluktuasi pada rentang Rp 1.084.824 hingga Rp 1.132.948
======================================================================================================================================
Indonesia is a developing country that is experiencing progress in various fields including the economy. The investment trend is one of the factors that drives economic development in Indonesia. OJK noted that 11.42 million Indonesians had made investments. Gold is a popular investment instrument in Indonesia. PT Aneka Tambang Tbk (ANTAM) is a state-owned company that operates in the mining sector and provides products in the form of gold bullion as the product that dominates its sales. This makes ANTAM gold an attractive investment prospect. Knowing the future price of gold is an advantage for investors because it can be used as a reference for financial planning. This research will compare two Recurrent Neural Network (RNN) development methods, namely Gated Recurrent Units (GRU) and Legendre Memory Units (LMU) in predicting ANTAM gold prices using Mean Absolute Percentage Error (MAPE). The data used is the daily price of ANTAM gold for the 2021-2023 period obtained from the website www.logammulia.com. Next, ANTAM gold price forecasting was carried out using the best method. The aim of this research is to predict ANTAM's gold price in order to provide input to investors in making investment and financial decisions in the future. GRU modeling produces the best MAPE of 0.3726%. Meanwhile, LMU modeling produces the best MAPE of 0.3702%. This shows that LMU's performance is better than GRU. ANTAM's gold price forecasting starts from December 30 2023 to January 28 2024 using the LMU method. Forecasting results show that ANTAM's gold price will fluctuate in the range of IDR 1,084,824 to IDR 1,132,948

Item Type:	Thesis (Other)
Uncontrolled Keywords:	ANTAM, Emas, Gold, GRU, LMU, Time Series
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Actuaria > 94203-(S1) Undergraduate Thesis
Depositing User:	Regina Angel Irawan
Date Deposited:	25 Jul 2024 01:51
Last Modified:	25 Jul 2024 01:51
URI:	http://repository.its.ac.id/id/eprint/108760

Actions (login required)

View Item