Dalimunthe, Rodiatul Adawiyah (2024) PREDIKSI HARGA EMAS MENGGUNAKAN ALGORITMA LONG SHORT-TERM MEMORY (LSTM) BERBASIS WEB. S1 thesis, Universitas Malikussaleh.

	Text RODIATUL ADAWIYAH DALIMUNTHE_200170133_Cover.pdf Download (102kB)
	Text RODIATUL ADAWIYAH DALIMUNTHE_200170133_Abstrak.pdf Download (179kB)
	Text RODIATUL ADAWIYAH DALIMUNTHE_200170133_Bab 1.pdf Download (191kB)
	Text RODIATUL ADAWIYAH DALIMUNTHE_200170133_Daftar Pustaka.pdf Download (187kB)
	Text RODIATUL ADAWIYAH DALIMUNTHE_200170133_Prediksi Harga Emas Menggunakan Algoritma Long Short-Term Memory (LSTM) Berbasis Web.pdf Restricted to Registered users only Download (2MB)

Abstract

Emas merupakan aset investasi yang penting, terutama dalam menghadapi kondisi ekonomi yang tidak stabil. Fluktuasi harga emas dipengaruhi oleh berbagai faktor, termasuk keputusan otoritas keuangan, inflasi, dan dinamika ekonomi global. Mampu memprediksi harga emas dengan akurasi tinggi sangat berharga bagi investor dalam mengambil keputusan investasi. Penelitian ini bertujuan untuk menggunakan algoritma Long Short-Term Memory (LSTM) dalam memprediksi harga emas dan mengembangkan aplikasi berbasis web yang terhubung dengan Yahoo Finance untuk memperoleh data harga emas secara real-time. Algoritma LSTM dipilih karena kemampuannya dalam menangani data deret waktu dengan ketergantungan jangka panjang. LSTM memiliki arsitektur yang memungkinkan model untuk mengingat informasi yang relevan dalam jangka panjang dan melupakan data yang tidak relevan. Dalam studi ini, model LSTM yang dikembangkan menghasilkan Mean Absolute Error (MAE) sebesar 19,81, menunjukkan bahwa prediksi rata-rata menyimpang sekitar 19,81 unit dari nilai aktual. Selain itu, tingkat akurasi prediksi yang tinggi ditunjukkan oleh Mean Absolute Percentage Error (MAPE) rata-rata sebesar 0,83%. Hasil penelitian ini memperlihatkan bahwa LSTM adalah metode yang efektif untuk prediksi harga emas. Aplikasi web yang dihasilkan memungkinkan pengguna untuk mengakses proyeksi harga emas secara interaktif, sehingga dapat membantu investor dalam pengambilan keputusan berbasis data dengan lebih tepat dan mudah diakses.

Item Type:	Thesis (S1)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 55201 - Jurusan Teknik Informatika
Depositing User:	Diah Rodiatul Adawiyah Dalimunthe
Date Deposited:	23 Jan 2025 01:52
Last Modified:	23 Jan 2025 01:52
URI:	https://rama.unimal.ac.id/id/eprint/9382

Actions (login required)

View Item