Perbandingan Model Long Short-Term Memory, Gated Recurrent Unit, dan Convolutional Neural Network untuk Peramalan Harga Emas

Abstract

Harga emas yang terus berubah meningkatkan risiko investasi yang merupakan bagian penting dari kondisi ekonomi, keuangan bank, dan pasar saham. Sehingga, peramalan harga emas diperlukan untuk dapat membantu dan mendukung investor keuangan dan bank sentral dalam mengambil keputusan yang tepat. Penelitian ini membahas secara komprehensif performa model prediksi Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), dan Convolutional Neural Network (CNN) untuk peramalan harga emas. Model dibangun dan dibandingkan pada tiga time step, yaitu 5 (1 minggu), 30 (1 bulan), dan 260 (1 tahun). Hasil dari penelitian menunjukkan bahwa proses pelatihan model GRU lebih efisien dibandingkan model lainnya pada semua time step. Berdasarkan akurasinya, pada time step 5 dan 30, model GRU menunjukkan akurasi yang lebih baik dibandingkan model lainnya. Sedangkan pada time step 260, tidak ada perbedaan akurasi yang signifikan antara model LSTM dengan GRU yang mana lebih baik dibandingkan dengan model CNN. Sehingga, dapat disimpulkan bahwa model GRU adalah model yang paling efisien dan akurat pada time step 5, 30, dan 260.