Prediksi Harga Komoditas Memakai Temporal Attention Neural Network : Studi Kasus Pada Peramalan Harga Nikel

Togatorop, Andrew Reinhard Marulak (2024) Prediksi Harga Komoditas Memakai Temporal Attention Neural Network : Studi Kasus Pada Peramalan Harga Nikel. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032221019-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 2026. Download (2MB)

Abstract

Neural Network adalah salah satu metode machine learning yang dapat digunakan pada prediksi harga. Penelitian ini akan mengembangkan metode prediksi harga berbasis neural network , pada prediksi harga komoditas pertambangan yang menjadi perhatian besar investor pada era baterai, yaitu nikel. Nikel dipilih karena komoditas ini merupakan komponen utama pembentuk baterai berbasis litium, dan harga nikel dalam beberapa tahun terakhir menunjukkan volatilitas yang tinggi. Penelitian ini akan memakai neural network yang dioptimasi dengan attention mechanism , dimana metode ini relatif baru dan belum banyak digunakan pada prediksi harga. Untuk menganalisa performa , ukuran akurasi model yang dipakai adalah metriks RMSE (mean square error) dan MAPE (Mean Absolute Percentage Error). Model LSTM yang dihasilkan memiliki performa cukup baik, dengan kisaran nilai RMSE di 0,27 – 0,73 dan MAPE di kisaran 4,9% - 13,3%. Optimasi model Bi-LSTM yang dipilih dari variasi model yang dibuat dengan attention mechanism menghasilkan penurunan MAPE rata-rata sebesar 0,29% dari nilai MAPE awal sebesar 6,48%. Model yang didapat memiliki performa cukup bagus bila dibandingkan dengan penelitian terdahulu, namun perbaikan terhadap model perlu dilakukan untuk meningkatkan kemampuan prediksinya. Dari sisi manajemen sendiri,model ini akan memberikan implikasi berupa alat bantu pengambilan keputusan bisnis berdasarkan harga, yang akan membantu manajemen dalam pengendalian biaya dan pemenuhan kebutuhan. Namun, implementasi yang akan dilakukan harus memikirkan berbagai aspek, seperti , peningkatan kemampuan karyawan di bidang data sains nya, perangkat keras dan lunak yang diperlukan, infrastruktur data serta tata kelola kebijakan yang baik agar implementasi dapat berjalan dengan lancar serta model yang dibuat memiliki keberlanjutan bagi perusahaan.
====================================================================================================================================
Neural networks represent a formidable machine learning method applicable to price prediction. This research aims to advance a price prediction method based on a neural network, specifically focusing on the volatile commodity of nickel, which holds significant importance for investors in the battery era. Nickel, chosen for its role as a primary component in lithium-based batteries, has exhibited notable price fluctuations in recent years. The study employs a neural network optimized with an attention mechanism, a relatively novel approach in the realm of price prediction. To assess model performance, the evaluation metrics used include RMSE (Root Mean Square Error) and MAPE (Mean Absolute Percentage Error). The LSTM model produced demonstrates commendable performance, with RMSE values ranging from 0.27 to 0.73 and MAPE in the range of 4.9% to 13.3%. The optimization of the Bi-LSTM model, selected from various models incorporating attention mechanisms, results in an average MAPE increase of 0.29% from the initial value of 6.48%. While the models exhibit satisfactory performance compared to previous research, continual refinement is essential to enhance predictive capabilities. From a managerial perspective, the implications of this model manifest as a decision support tool for business leaders based on price data. This tool aids management in cost control and meeting operational needs. However, successful implementation requires consideration of various aspects, including enhancing employees' skills in data science, acquiring necessary hardware and software, establishing robust data infrastructure, and implementing sound policy governance. This ensures a smooth implementation process and sustainable benefits for the company.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Neural Network, Attention Mechanism, Peramalan Harga Nikel, Temporal Attention
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) T Technology > T Technology (General) > T174 Technological forecasting T Technology > T Technology (General) > T58.62 Decision support systems
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Andrew Reinhard Marulak Togatorop
Date Deposited:	01 Aug 2024 02:33
Last Modified:	12 Sep 2024 05:52
URI:	http://repository.its.ac.id/id/eprint/110850

Actions (login required)

View Item