NARISWARI, Brigitta Venessa (2026) Teknik Optimasi Hyperparameter Random Search pada Long ShortTerm Memory (LSTM) untuk Prediksi Harga Emas PT Aneka Tambang Tbk. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Archive (FULL TEXT) SOFT FILE SKRIPSI-20260529T025854Z-3-001.zip Restricted to Repository staff only Download (5MB) | Request a copy
	Text 1. COVER.pdf Download (250kB)
	Text 3. HALAMAN PENGESAHAN I.pdf Download (330kB)
	Text 5. KATA PENGANTAR.pdf Download (284kB)
	Text 6. ABSTRAK.pdf Download (270kB)
	Text 7. ABSTRACT.pdf Download (269kB)
	Text 8. DAFTAR ISI.pdf Download (318kB)
	Text 12. BAB I PENDAHULUAN.pdf Download (316kB)
	Text 17. DAFTAR PUSTAKA.pdf Download (305kB)

Abstract

Investasi emas merupakan salah satu investasi yang diminati karena emas
dianggap sebagai aset safe haven. Harga emas PT Aneka Tambang Tbk (ANTAM)
di Indonesia mengalami volatilitas ekstrim dalam periode 2020–2025, dipicu oleh
tingginya permintaan emas sebagai aset safe haven di tengah ketidakstabilan
ekonomi global. Fluktuasi harga emas membentuk karakteristik data yang non
stasioner dan non-linier, sehingga metode konvensional memiliki keterbatasan
dalam memodelkannya secara akurat. Kondisi ini mendorong kebutuhan akan
pendekatan berbasis machine learning yang terbukti unggul dalam menangkap pola
kompleks pada data deret waktu, khususnya pada kondisi pasar yang sangat volatil.
Penelitian ini bertujuan memprediksi harga emas harian ANTM menggunakan
model Long Short-Term Memory (LSTM) yang dioptimalkan dengan metode
random search. Data sekunder harga emas ANTAM harian sebanyak 1.519 data
dibagi menjadi data training sebesar 90% dan data testing sebesar 10%. Data latih
dan data uji diproses melalui normalisasi min-max berdasar minimum dan
maksimum dari data training untuk menghindari data leakage. Data dibentuk
menggunakan teknik sliding window dengan ukuran window 12 sehingga
menghasilkan struktur data tiga dimensi sebagai input model LSTM. Optimasi
dengan metode random search sebanyak 20 percobaan yang mencakup jumlah
layer, unit, dropout rate, learning rate, batch size, dan jumlah epoch. Kombinasi
dengan nilai validation loss terkecil ditetapkan sebagai kombinasi terbaik. Model
LSTM dengan optimasi Random Search menghasilkan nilai MAPE sebesar 0,72%
pada data training dan 0,62% pada data testing, keduanya termasuk kategori sangat
baik. Model menunjukkan performa yang sangat baik dengan MAPE 0,62% pada
data testing, sehingga berpotensi digunakan sebagai salah satu referensi dalam
pengambilan keputusan investasi.
Kata Kunci: Harga emas, Long Short-Term Memory, Random Search,
Hyperparameter Tuning, MAPE

Actions (login required)

View Item