Adhitama, Ardityan Purbo (2022) Metode Dekomposisi Ensemble Dengan Elman Recurrent Neural Network Untuk Peramalan Harga Emas Dunia. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
06211950010002-Master_Thesis.pdf - Accepted Version Download (1MB) | Preview |
Abstract
Investasi emas merupakan salah satu investasi alternatif yang baik untuk menjaga stabilitas keuangan, terutama pada saat ekonomi global sedang lesu dan tidak menentu. Fluktuasi harga emas dunia cenderung memiliki pola yang nonlinier dan tidak menentu, sehingga sulit untuk mendapatkan akurasi prediksi yang baik. Pada penelitian ini, metode yang digunakan untuk memprediksi harga emas dunia adalah metode Ensemble Empirical Mode Decomposition (EEMD) yang diintegrasikan dengan Elman Recurrent Neural Network (ERNN). Metode tersebut digunakan untuk mengurangi kesulitan dalam pemodelan peramalan dan meningkatkan akurasi prediksi. Pertama, data deret waktu harga emas periode harian didekomposisi menjadi beberapa komponen Intrinsic Mode Function (IMF) dan residual dengan menggunakan metode EEMD. Kemudian setiap komponen IMF dan residual dilakukan pemodelan dan peramalan menggunakan metode ERNN dan hasil peramalan akhir diperoleh dengan menjumlahkan hasil ramalan setiap komponen IMF dan residual. Penelitian ini menunjukkan hasil bahwa peramalan menggunakan metode ERNN lebih baik dibandingkan dengan metode ERNN yang melalui proses dekomposisi karena metode ERNN memiliki nilai MAPE dan RMSE terkecil.
======================================================================================================
Gold investment is a good alternative to maintain financial stability, especially during the global economic turndown and uncertainly. The world gold price fluctuations tend to be nonlinear and uncertain, it is difficult to achieve good prediction accuracy. In this study, the method used to predict world gold price is the Ensemble Empirical Mode Decomposition (EEMD) method which is integrated with the Elman Recurrent Neural Network (ERNN). The EEMD-ERNN model is chosen to reduce the difficulty in modeling and improve prediction accuracy. First, the world gold price time series is decomposed into several intrinsic mode functions (IMF) and residual using EEMD. The IMF components and residual are then modeled and forecasted using Elman Recurrent Neural Network (ERNN). The predicted results of each IMF are aggregated as the final prediction results for the gold price time series. Finally, the results show that the ERNN model is better than the ERNN model with EEMD pre-processing because the ERNN model has a smaller value of MAPE and RMSE.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | EEMD, ERNN, Harga Emas, IMF, Forecasting, Gold Price |
| Subjects: | H Social Sciences > HA Statistics > HA30.3 Time-series analysis Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. T Technology > T Technology (General) > T174 Technological forecasting |
| Divisions: | Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | Ardityan Purbo Adhitama |
| Date Deposited: | 20 Feb 2022 04:37 |
| Last Modified: | 08 Oct 2024 05:24 |
| URI: | http://repository.its.ac.id/id/eprint/94647 |
Actions (login required)
 |
View Item |