OPTIMASI AKURASI BILSTM DALAM PERAMALAN HARGA EMAS

Abstract

Peramalan harga emas menjadi tantangan penting dalam dunia keuangan, khususnya bagi investor yang menjadikan emas sebagai aset lindung nilai terhadap gejolak ekonomi. Harga emas bersifat fluktuatif dan dipengaruhi oleh berbagai faktor global, sehingga dibutuhkan model prediksi yang mampu menangkap pola historis secara akurat. Penelitian ini bertujuan untuk mengimplementasikan dan mengoptimalkan model Bidirectional Long Short-Term Memory (BiLSTM) dalam meramalkan harga emas mingguan menggunakan data periode 2020 hingga 2024 yang diperoleh dari Yahoo Finance. Data yang digunakan difokuskan pada harga penutupan mingguan, yang kemudian diproses melalui tahapan normalisasi, pembentukan sliding window, dan pembagian dataset menjadi data latih dan data uji dengan rasio 80:20. Model BiLSTM dikembangkan menggunakan pustaka TensorFlow dan Keras, serta diuji dengan beberapa kombinasi parameter seperti jumlah neuron, epoch, batch size, dan panjang window. Evaluasi kinerja dilakukan menggunakan dua metrik utama, yaitu Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil eksperimen menunjukkan bahwa optimasi parameter memberikan kontribusi signifikan terhadap peningkatan akurasi prediksi, dengan nilai RMSE sebesar 83.99 dan MAPE sebesar 2.41%. Secara keseluruhan, model BiLSTM menunjukkan efektivitas yang baik dalam mengikuti tren harga emas mingguan dan dapat menjadi alternatif yang menjanjikan dalam sistem peramalan berbasis machine learning.