Prediksi Harga Emas Aneka Tambang (Antam) Menggunakan Long Short- Term Memory (LSTM)

Yulian Ansori; Arief Rahman; Febriyanti Darnis; Czidni Sika Azkia; Miftahus Sholihin

doi:10.31004/riggs.v4i4.3408

Authors

Yulian Ansori Universitas Sultan Ageng Tirtayasa
Arief Rahman Univeristas Sultan Ageng Tirtayasa
Febriyanti Darnis Univeristas Sultan Ageng Tirtayasa
Czidni Sika Azkia Universitas Sultan Ageng Tirtayasa
Miftahus Sholihin Universitas Sultan Ageng Tirtayasa

DOI:

https://doi.org/10.31004/riggs.v4i4.3408

Keywords:

Prediksi Harga Emas, LSTM, Deret Waktu, PT Aneka Tambang Tbk

Abstract

Emas merupakan salah satu instrumen investasi yang berperan penting dalam menjaga stabilitas ekonomi, khususnya pada periode ketidakpastian global. Pergerakan harga emas sangat dipengaruhi oleh berbagai faktor ekonomi makro seperti nilai tukar, tingkat suku bunga, kebijakan moneter, serta kondisi geopolitik internasional yang dinamis. Kompleksitas hubungan antar variabel tersebut menyebabkan model statistik konvensional kurang optimal dalam memprediksi harga emas secara akurat. Penelitian ini bertujuan untuk mengembangkan model prediksi harga emas PT Aneka Tambang Tbk (ANTAM) menggunakan algoritma Long Short-Term Memory (LSTM), yang merupakan pengembangan dari Recurrent Neural Network (RNN) dan memiliki kemampuan dalam menangkap dependensi jangka panjang pada data deret waktu. Data yang digunakan bersumber dari situs resmi Logam Mulia ANTAM dengan periode pengamatan 4 Januari 2010 hingga 31 Desember 2024 sebanyak 4.545 data harian. Proses penelitian meliputi tahap pengumpulan data, normalisasi, pemisahan data pelatihan dan pengujian, pembangunan model, serta evaluasi menggunakan metrik Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil eksperimen menunjukkan bahwa konfigurasi model dengan satu hidden layer, 150 hidden units, dan 150 epoch menghasilkan akurasi sebesar 99,55% dan nilai RMSE sebesar 7.492,998. Temuan ini menunjukkan bahwa algoritma LSTM mampu memberikan performa prediksi yang sangat baik dan berpotensi diterapkan sebagai metode alternatif dalam analisis pergerakan harga komoditas di Indonesia.

Downloads

Download data is not yet available.

References

T. Yulianto, “Perancangan Metode Cluster Switching Menggunakan Shell Script,” Program Studi Teknik Informatika FTI-UKSW, 2014.

R. Wahyuniardi, L. H. Afrianti, S. Nurjaman, and W. Gusdya, “SISTEM INFORMASI BERBASIS WEB UNTUK MONITORING DAN EVALUASI SENTRA INDUSTRI KECIL ALAS KAKI DI JAWA BARAT,” Jurnal Ilmiah Teknik Industri, vol. 14, no. 2, pp. 174-186, 2016.

Rasyid, A., Sari, I. P., & Putra, E. Penerapan metode triple exponential smoothing untuk prediksi harga emas: Studi kasus pada PT Aneka Tambang Tbk. Jurnal Online Ilmiah Sistem Informasi dan Manajemen, 9(1), 118-128, 2024.

S. Handayani, A. Anofrizen, and M. Jazman, “SISTEM INFORMASI E-COMMERCE UNTUK JARINGAN PENJUALAN SEPEDA MOTOR BEKAS KABUPATEN KAMPAR (Studi Kasus: Adira Finance),” Jurnal Ilmiah Rekayasa dan Manajemen Sistem Informasi, vol. 2, no. 2, pp. 106-111, 2016.

V. A. Asta, and S. Oktavia, “Sistem Informasi Manajemen Penjualan, Pembelian, dan Persedian Stok Barang Pada PD. Sumber Rezeki Palembang,” 2013.

Amryliana, S. Optimasi model Long Short-Term Memory untuk memprediksi harga emas. Jurnal Simppm Trisakti, 2024

Y. Ansori, A. Rahman, F. Darnis, dan M. Sholihin, “Peramalan Suhu Udara Menggunakan Algoritma Long Short-Term Memory,” Jurnal Teknik Informatika dan Multimedia (JTIM), vol. 5, no. 1, pp. 119–126, 2025.

Rehmer, A., & Kroll, A. On the vanishing and exploding gradient problem in gated recurrent units. IFAC-PapersOnLine, 2020. https://doi.org/10.1016/J.IFACOL.2020.12.1342

Arwansyah, A. Model Prediksi Deret Waktu Menggunakan Deep Learning pada Data Finansial. SISTI: Sistem Informasi dan Teknologi Informasi, 2024.

A. T. Nurani, A. Setiawan, and B. Susanto, “Perbandingan Kinerja Regresi Decision Tree dan Regresi

Linear Berganda untuk Prediksi BMI pada Dataset Asthma,” Jurnal Sains dan Edukasi Sains, vol. 6, no. 1, pp. 34–43, May 2023, doi: 10.24246/juses.v6i1p34-43.

Wisyaldin, M. K. Pendekatan Long Short-Term Memory untuk Memprediksi Data Deret Waktu. Jurnal Sistem dan Teknologi Informasi, 10(2), 35-50, 2023

Rahman, A. Wahjuni, S. Priandana, K. The Development of Hydroponic Nutrient Solutions Control Using Fuzzy and BPNN for

Celery Plant. Int. J. Adv. Sci. Eng. Inf. Technol. 2022,12, 431–436.

Sianturi, T. B. Penerapan Algoritma Long Short-Term Memory (LSTM) dalam Prediksi. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2023, 7(3), 128-135.

Ngabidin, Z. Implementasi Metode Double Exponential Smoothing Brown dengan MAPE sebagai Ukuran Evaluasi. Jurnal Euler, 2023.

Tholib, A. Prediksi harga emas menggunakan metode deep learning. Jurnal Informatika dan Teknik Elektro Terapan, 2023, 11(3).