Deskripsi Fisik

xv, 131 hal; 21x30 cm

Subyek

regresi linear dan double exponetial smoothing

Kata Kunci

Anotasi

ABSTRAK Emas adalah salah satu jenis logam mulia yang menjadi komoditas berharga di seluruh dunia. Emas menjadi aset yang digunakan dalam produksi perhiasan dan juga asset keuangan karena dapat digunakan sebagai penyimpan nilai. Dengan adanya ketidakpastian dalam pergerakan harga emas, muncul kebutuhan akan suatu metode prediksi yang dapat memberikan gambaran mengenai harga emas di masa depan, sebagai acuan bagi investor dalam pengambilan keputusan investasi yang tepat. Salah satu pendekatan yang dapat digunakan untuk memprediksi volatilitas harga emas adalah dengan menggunakan metode Machine Learning (ML), yang mampu mengidentifikasi pola-pola kompleks dalam data historis dan memberikan prediksi yang lebih akurat. Metode GARCH, yang merupakan salah satu pendekatan statistik yang banyak digunakan dalam memodelkan volatilitas, memungkinkan untuk mengukur perubahan volatilitas dari waktu ke waktu. Pendekatan ini terbukti efektif dalam memprediksi volatilitas harga yang cenderung tidak stabil, Sebagai alternatif, LSTM, yang merupakan jenis model jaringan saraf tiruan, menawarkan keunggulan dalam menangani masalah prediksi deret waktu. LSTM dikenal dapat menangkap pola jangka panjang dalam data, sesuatu yang sulit dilakukan oleh model-model statistik konvensional seperti GARCH. Berdasarkan 5 Kali percobaan yang telah dilakukan maka didapatkan untuk nilai error pada Garch lebih kecul untuk proses pemodelan di jumlah 30, 60 sampai 90 hari, sedangkan pada LSTM nilai errornya akan lebih kecil pada kisaran antara 7 sampai 15 hari pemodelan. Pada Pengujian yang dilakukan untuk tahun 2022 pemodelan yang cocok adalah dengan mengambil jumlah model 90 hari dan menggunakan metode Garch hal ini dibuktikkan dengan nilai mape yang cukup kecil yaitu sebesar 4,19961% sedangkan untuk tahun 2023 menggunakan model LSTM dengan pemodelan 7 hari dengan nilai Mape sebesar 0,87233%.Pada Percobaan yang telah dilakukan nilai rata – rata mape dengan pemodelan Garch mendapatkan nilai 4,98046% sedangkan pada LSTM mendapatkan nilai 5,46805%, untuk nilai akurasinya didapatkan untuk Model garch diperoleh nilai akurasi 95,01954%. Sedangkan pada model LSTM didapatkan nilai rata -rata akurasi sebesar 94,53195%. Berdasarkan hasil pengujian tersebut peneliti menyimpulkan bahwasannya Garch cocok untuk memprediksi harga emas dengan jangkauan hari yang lebih Panjang dibandingkan dengan model LSTM. Kata kunci : Emas, Volatilitas, Machine Learning, Garch, Long-short Term Memories