Prediksi Harga Emas Dunia Menggunakan Deep Learning GRU dengan Optimasi Nadam

Ismail Saputra R. Harmain, Nurwan Nurwan, Isran K. Hasan, Djihad Wungguli, Nisky Imansyah Yahya

Abstract


Volatilitas harga emas yang tinggi menuntut adanya metode prediksi yang andal untuk mendukung pengambilan keputusan investasi. Penelitian ini mengimplementasikan algoritma Gated Recurrent Unit (GRU) berbasis deep learning yang dioptimalkan menggunakan Nesterov-Accelerated Adaptive Moment Estimation (Nadam) untuk memprediksi harga emas harian.Model terbaik diperoleh dengan nilai Mean Squared Error (MSE) sebesar 0, 00012 pada data univariat dan 0, 00027 pada data multivariat. Mean Absolute Percentage Error (MAPE) yang diperoleh masing-masing sebesar 1,107% untuk data univariat dan 1,59% untuk data multivariat. Hasil tersebut mengindikasikan bahwa model GRU dengan optimasi Nadam memiliki performa prediksi yang tinggi, baik pada data deret waktu tanpa penambahan fitur maupun dengan penambahan fitur.


Keywords


matematika;sains;statistik;algoritma

Full Text:

PDF

References


S. Adiningtyas and L. Hakim, “Pengaruh pengetahuan investasi, motivasi, dan uang saku terhadap minat mahasiswa berinvestasi di pasar modal syariah dengan risiko investasi sebagai variabel intervening,” Jurnal Ilmiah Ekonomi Islam, vol. 8, no. 1, pp. 474–482, 2022. doi: https://doi.org/10.29040/jiei.v8i1.4609.

D. I. Enjellina, “Analisis dampak kenaikan harga emas terhadap stabilitas moneter di indonesia,” Jurnal Ilmiah Ekonomi Dan Manajemen, vol. 3, no. 6, pp. 239–245, 2025. doi: https://www.ejurnal.kampusakademik.co.id/index.php/jiem/article/view/5072.

R. R. A. - A. Siagian, “Persepsi masyarakat indonesia terhadap kenaikan harga emas sebagai instrumen investasi jangka panjang: Sebuah tinjauan literatur,” Future Academia: The Journal of Multidisciplinary Research on Scientific and Advanced, vol. 3, no. 1, pp. 72–79, 2025. doi: https://doi.org/10.61579/future.v3i1.298.

F. Kesarditama, H. Haryadi, and Y. V. Amzar, “Pengaruh inflasi, nilai tukar rupiah per dollar amerika, harga minyak mentah dunia dan indeks harga saham gabungan terhadap harga emas di indonesia,” E-Journal Perdagangan Industri Dan Moneter, vol. 8, no. 2, pp. 55–64, 2020. doi: https://doi.org/10.22437/pim.v8i2.8269.

T. Hutapea, “Analysis of volatility of the return of composite stock price index using arch/garch model, january 2015-september 2024,” Jurnal Kewirausahaan, Akuntansi dan Manajemen Tri Bisnis, vol. 7, no. 1, pp. 81–99, 2025. doi: https://doi.org/10.59806/ jkamtb.v7i1.498.

A. G. A. Savada, G. F. Nama, T. Yulianti, and M. Mardiana, “Peramalan data ekonomi menggunakan model hybrid vector autoregressive-long short term memory,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 11, no. 1, pp. 91–104, 2025. doi: https://doi. org/10.28932/jutisi.v11i1.10066.

S. Khotijah, L. Sarifah, and A. Fuaddiyah, “Prediksi harga emas menggunakan metode radial basis function neural network (rbfnn),” Jurnal Sains Matematika dan Statistika, vol. 10, no. 1, pp. 20–30, 2024. doi: http://dx.doi.org/10.24014/jsms.v10i1.20890.

W. F. Hidayat, K. Handayani, Y. Malau, R. A. Purnama, and A. Setiadi, “Prediksi harga komoditi emas menggunakan metode long short-term memory dengan penambahan optimalisasi,” Jurnal Infortech, vol. 6, no. 2, pp. 156–162, 2024. doi: https://doi.org/10.31294/infortech.v6i2.24440.

A. Nilsen, “Perbandingan model rnn, model lstm, dan model gru dalam memprediksi harga saham-saham lq45,” Jurnal Statistika dan Aplikasinya, vol. 6, no. 1, pp. 137–147, 2022.

J. Chung, C. Gulcehre, K. Cho, and Y. Bengio, “Empirical evaluation of gated recurrent neural networks on sequence modeling,” arXiv, 2014. Available online.

I. Sudiatmika, I. Putra, and W. W. Artana, “The implementation of gated recurrent unit (gru) for gold price prediction using yahoo finance data: A case study and analysis,” Brilliance: Research Of Artificial Intelligence, vol. 4, no. 1, pp. 176–184, 2024. doi: 10.47709/brilliance.v4i1.3865.

T. Dozat, “Incorporating nesterov momentum into adam,” 2016. Available online.

K. Cho, B. Van Merriënboer, D. Bahdanau, and Y. Bengio, “On the properties of neural machine translation: Encoder-decoder approaches,” arXiv, 2014. doi: https://doi.org/10.48550/arXiv.1409.1259.

M. Ridwan, K. Sadik, and F. M. Afendi, “Comparison of arima and gru models for high-frequency time series forecasting.,” Scientific Journal of Informatics, vol. 10, no. 3, pp. 389–400, 2023. Available online.

U. I. Arfianti, D. C. R. Novitasari, N. Widodo, M. Hafiyusholeh, and W. D. Utami, “Sunspot number prediction using gated recurrent unit (gru) algorithm,” IJCCS (Indonesian Journal of Computing and Cybernetics Systems), vol. 15, no. 2, pp. 141–152, 2021. doi: https:347

//doi.org/10.22146/ijccs.63676.

R. S. Al-Khowarizmi, M. K. Nasution, and M. Elveny, “Sensitivity of mape using detectionrate for big data forecasting crude palm oil on k-nearest neighbor,” Int. J. Electr. Comput.Eng, vol. 11, no. 3, pp. 2696–2703, 2021. doi: http://doi.org/10.11591/ijece.v11i3.pp2696-2703.




DOI: https://doi.org/10.18860/jrmm.v4i6.36007

Refbacks

  • There are currently no refbacks.