Prediksi Harga Emas Menggunakan Metode Time Series Long Short - Term Memory Neural Network
Laporan Tugas Akhir
Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Informatika Universitas Muhammadiyah Malang
Fatimah Defina Setiti Alhamdani 201710370311181
Bidang Minat Data Science
PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG
2021
i
LEMBAR PERSETUJUAN
Prediksi Harga Emas Menggunakan Metode Time Series Long Short - Term Memory Neural Network
TUGAS AKHIR
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
Menyetujui, Malang, 25 Mei 2021
Pembimbing II
Christian S.K.Aditya, S.Kom, M.Kom NIP. 180.3270.21991
Pembimbing I
Gita Indah Marthasari, S.T, M.Kom NIP. 108.0611.0442
ii
LEMBAR PENGESAHAN
Prediksi Harga Emas Menggunakan Metode Time Series Long Short - Term Memory Neural Network
TUGAS AKHIR
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Informatika Universitas Muhammadiyah Malang
Disusun Oleh :
Fatimah Defina Setiti Alhamdani NIM. 201710370311181
Tugas Akhir ini telah diuji dan dinyatakan lulus melalui sidang majelis penguji pada tanggal 9 Juni 2021
Menyetujui,
Penguji II
Agus Eko Minarno, S.Kom, M.Kom NIP. 108.1410.0540
Penguji I
Zamah Sari, ST., MT.
NIP. 108.1410.0555
Mengetahui, Ketua Jurusan Informatika
Gita Indah Marthasari, S.T, M.Kom NIP. 108.0611.0442
iii
LEMBAR PERNYATAAN
Yang bertanda tangan dibawah ini :
NAMA : FATIMAH DEFINA SETITI ALHAMDANI
NIM : 201710370311181
FAK./JUR. : TEKNIK/INFORMATIKA
Dengan ini menyatakan bahwa Tugas Akhir dengan judul “Prediksi Harga Emas Menggunakan Metode Time Series Long Short - Term Memory Neural Network” beserta seluruh isinya adalah karya saya sendiri dan bukan karya tulis orang lain, baik sebagian maupun seluruhnya, kecuali dalam bentuk kutipan yang telah disebutkan sumbernya.
Demikian surat pernyataan ini saya buat dengan sebenarbenarnya. Apabila kemudian ditemukan adanya pelanggaran terhadap etika keilmuan dalam karya saya ini, atau ada klaim dari pihak lain terhadap keaslian karya saya ini maka saya siap menanggung segala bentuk resiko/sanksi yang berlaku.
Malang, 25 Mei 2021 Yang Membuat Pernyataan
Fatimah Defina Setiti Alhamdani 201710370311181
Mengetahui,
Dosen Pembimbing
Gita Indah Marthasari, S.T, M.Kom NIP. 108.0611.0442
iv
ABSTRAK
Emas merupakan salah satu alat investasi populer dikalangan masyarakat yang tahan akan inflasi. Namun kegiatan investasi emas memiliki resiko berjenis data time series. Sehingga masyarakat perlu memilliki ilmu sebagai pegangan saat melakukan kegiatan investasi emas yaitu dengan memprediksi harga emas di masa depan untuk meminimalisasi resiko. Long Short-Term Memory merupakan turunan dari metode RNN yang dapat digunakan dalam memprediksi pada data time series.
Penelitian ini bertujuan untuk memprediksi harga emas dari data time series per 1 hari yang telah dikumpulkan dari website harga-emas.org untuk mengetahui nilai error prediksi menggunakan metode LSTM. Analisis parameter yang dilakukan pada penelitian ini adalah jumlah neuron hidden, learning rate, dan epoch.
Kombinasi parameter terbaik yang dihasilkan pada penelitian ini adalah 16 neuron hidden, learning rate 0.01, dan 100 epoch. Nilai terbaik yang dihasilkan pada penelitian ini adalah RMSE 9139,14318 dan MAPE 0,69794%. Perhitungan error MAPE terbaik pada penelitian ini dengan penelitian “Prediksi Harga Emas Menggunakan Feed Forward Neural Network dengan Metode Extreme Learning Machine” yang menghasilkan MAPE terbaik 0,8065%. Hasil tersebut menunjukkan bahwa error MAPE pada penelitian ini lebih baik daripada penelitian tersebut dan model yang terbentuk dapat dikatakan sangat bagus karena nilai MAPE terbaik yang dihasilkan dibawah 10%.
Kata Kunci: Prediksi, Emas, Long Short-Term Memory Neural Network
v
ABSTRACT
Gold is one of the popular investment tools among people who are resistant to inflation. However, gold investment activities have time series data type risks. So that people need to have knowledge as a guide when carrying out gold investment activities, namely by predicting the future price of gold to minimize risk. Long Short-Term Memory is a derivative of the RNN method which can be used in predicting time series data. This study aims to predict the price of gold from the 1- day time series data that has been collected from the harga-emas.org website to determine the value of prediction errors using the LSTM method. The parameter analysis carried out in this study was the number of hidden neurons, the learning rate, and the epoch. The best combination of parameters produced in this study were 16 hidden neurons, a learning rate of 0.01, and 100 epochs. The best values produced in this study were RMSE 9139.14318 and MAPE 0,69794%. The best MAPE error calculation in this study is the research "Gold Price Prediction Using Feed Forward Neural Network with the Extreme Learning Machine Method" which produces the best MAPE 0,8065%. These results indicate that the MAPE error in this study is better than that research and the model formed can be said to be very good because the best MAPE value generated is below 10%.
Keywords: Prediction, Gold, Long Short-Term Memory Neural Network
vi
LEMBAR PERSEMBAHAN
Puji syukur kepada Allah SWT atas rahmat dan karunia-Nya sehingga penulis diberikan kelancaran dalam menyelesaikan Tugas Akhir ini. Penulis menyampaikan ucapan terima kasih yang sebesar-besarnya kepada:
1. Ibu Gita Indah Marthasari, S.T, M.Kom selaku Dekan Jurusan Teknik Informatika serta Pembimbing I yang telah meluangkan waktu dalam membimbing penulis selama proses pengerjaan Tugas Akhir.
2. Bapak Christian Sri Kusuma Aditya, S.Kom, M.Kom selaku Pembimbing II yang telah meluangkan waktu untuk memberikan penulis arahan pada saat proses pengerjaan Tugas Akhir.
3. Bapak Hardianto Wibowo, S.Kom., M.T. dan Bapak Didih Rizki Chandranegara, S.Kom., M.Kom selaku penguji pada Seminar Proposal Tugas Akhir yang telah memberikan saran kepada penulis.
4. Bapak Zamah Sari, ST., MT. selaku Penguji I serta Bapak Agus Eko Minarno, S.Kom, M.Kom selaku Penguji II pada Sidang Tugas Akhir yang telah memberikan kritik dan saran kepada penulis
5. Seluruh Dosen dan Staf Program Studi Teknik Informatika Muhammadiyah Malang dalam memberikan ilmu pengetahuan serta bantuan yang sangat berarti selama penulis mengikuti kegiatan perkuliahan.
6. Almarhum ayah yang penulis rindukan telah memberikan kasih sayang, semangat dan dukungannya kepada penulis semasa hidup.
7. Ibu dan Mas David yang selalu berada disamping penulis dalam suka maupun duka serta memberikan doa, dukungan, semangat, dan kasih sayang mereka kepada penulis dalam menyelesaikan Tugas Akhir.
8. Sahabat penulis sejak SMP penulis yaitu Mahda dan Mirta yang selalu memberikan dukungan dan selalu ada bersama penulis dalam setiap proses yang penulis jalani selama 10 tahun terakhir.
9. Sahabat terdekat penulis selama menjalankan perkuliahan yaitu Nanda, Chita, Ferin, Silsi, Rista yang selalu menemani, menghibur, memberikan bantuan, dan saling bertukar informasi.
vii
10. Sahabat SMA penulis yaitu Mayske, Zafira, Tiara, Alif, Sandi, Tivan yang telah menghibur dan memberikan dukungan untuk penulis menyelesaikan Tugas Akhir.
Malang, 25 Mei 2021
Penulis
viii
KATA PENGANTAR
Dengan memanjatkan puji syukur kehadirat Allah SWT. Atas limpahan rahmat dan hidayah-Nya sehingga peneliti dapat menyelesaikan tugas akhir yang berjudul:
“Prediksi Harga Emas Menggunakan Metode Time Series Long Short - Term Memory Neural Network”
Di dalam tulisan ini disajikan pokok-pokok bahasan yang meliputi pengumpulan data historis harga emas, preprocessing dengan menormalisasi dan membagi data, menganalisis dan menghitung nilai error MAPE dan RMSE yang dihasilkan pada ketiga skenario yang dijalankan untuk menentukan komposisi parameter terbaik yang akan digunakan dalam memprediksi harga emas 300 hari mendatang. Selain itu juga dilakukan perbandingan error MAPE yang dihasilkan pada penelian ini dengan penelitian pembanding.
Terbentuknya Tugas Akhir ini merupakan salah satu syarat wajib yang harus penulis tempuh bersamaan dengan Mahasiswa Universitas Muhammadiyah Malang lainnya untuk menyelesaikan jenjang perkuliahan dan mendapatkan gelar sarjana strata 1. Peneliti menyadari sepenuhnya bahwa dalam penulisan tugas akhir ini masih banyak kekurangan dan keterbatasan. Oleh karena itu peneliti mengharapkan saran yang membangun agar tulisan ini bermanfaat bagi perkembangan ilmu pengetahuan.
Malang, 25 Mei 2021
Penulis
ix
DAFTAR ISI
HALAMAN JUDUL
LEMBAR PERSETUJUAN... i
LEMBAR PENGESAHAN ... ii
LEMBAR PERNYATAAN ... iii
ABSTRAK ... iv
ABSTRACT ... v
LEMBAR PERSEMBAHAN ... vi
KATA PENGANTAR ... viii
DAFTAR ISI ... ix
DAFTAR GAMBAR ... xi
DAFTAR TABEL ... xiii
BAB I ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 4
1.3 Tujuan ... 4
1.4 Batasan Masalah... 4
BAB II ... 5
2.1 Emas ... 5
2.2 Time Series ... 5
2.3 Long Short - Term Memory ... 5
2.4 Adaptive Moment Estimation optimization (Adam) ... 7
2.5 Mean Absolute Percentage Error (MAPE)... 8
2.6 Root-Mean-Square Error (RMSE) ... 8
BAB III ... 10
x
3.1 Pengumpulan Data ... 11
3.2 Preprocessing ... 12
3.3 Modeling ... 12
3.4 Prediksi dan Visualisasi ... 13
3.5 Analisis Hasil ... 13
BAB IV ... 14
4.1 Preprocessing ... 14
4.2 Modeling ... 17
4.2.1 Skenario 1 ... 20
4.2.2 Skenario 2 ... 20
4.2.3 Skenario 3 ... 21
4.3 Prediksi dan Visualisasi ... 21
4.4 Analisis Hasil ... 24
BAB V ... 29
5.1 Kesimpulan ... 29
5.2 Saran ... 29
DAFTAR PUSTAKA ... 30
xi
DAFTAR GAMBAR
Gambar 1. Arsitektur Long Short - Term Memory ... 6
Gambar 2. Flowchart Tahapan Penelitian ... 10
Gambar 3. Source code library ... 14
Gambar 4. Source code import data ... 14
Gambar 5. Source code fungsi preprocessing() ... 15
Gambar 6. Source code fungsi date_preprocessing() ... 16
Gambar 7. Source code pemanggilan fungsi preprocessing() dan date_preprocessing() ... 16
Gambar 8. Source code membentuk normalization_df ... 17
Gambar 9. Normalization_df ... 17
Gambar 10. Source code fungsi model_lstm() ... 18
Gambar 11. Source code fungsi optimizer() ... 18
Gambar 12. Source code pada training model ... 19
Gambar 13. Source code fungsi mean_absolute_percentage_error() dan root_mean_square_error() ... 19
Gambar 14. Source code fungsi rmse_mape_score() ... 19
Gambar 15. Visualisasi data real, prediksi train, dan prediksi test ... 22
Gambar 16. Source code visualisasi pergerakan data real, prediksi train dan prediksi test ... 22
Gambar 17. Source code fungsi forecast() ... 23
Gambar 18. Forecast_df ... 23
Gambar 19. Source code forecast_df ... 24
Gambar 20. Visualisasi hasil peramalan 300 hari mendatang ... 24
Gambar 21. Grafik skenario 1 penentuan neuron hidden ... 25
Gambar 22. Grafik skenario 1 pada neuron hidden 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, dan 25 ... 25
Gambar 23. Grafik skenario 2 penentuan learning rate ... 26
Gambar 24. Grafik skenario 2 pada learning rate 0,1, 0,01, dan 0,001 ... 26
Gambar 25. Grafik skenario 3 penentuan epoch ... 27
xii
Gambar 26. Grafik skenario 3 pada epoch 50, 100, dan 250 ... 27
xiii
DAFTAR TABEL
Tabel 1. Kriteria Nilai MAPE ... 8
Tabel 2. Sampel Dataset yang Digunakan ... 11
Tabel 3. Hasil Skenario 1 ... 20
Tabel 4. Hasil Skenario 2 ... 21
Tabel 5. Hasil Skenario 3 ... 21
Tabel 6. Perbandingan Komponen dalam Pemodelan ... 27
30
DAFTAR PUSTAKA
Aldi, M. W. P., Jondri, & Aditsania, A. (2018). Analisis dan Implementasi Long Short Term Memory Neural Network untuk Prediksi Harga Bitcoin. E- Proceeding of Engineering, 5(2), 3548–3555.
Amin, A., Sari, Y. A., & Adinugroho, S. (2019). Klon Perilaku Menggunakan Jaringan Saraf Tiruan Konvolusional Dalam Game SuperTuxKart. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 3(1), 866–875.
Ardiana, A., & Amak, Y. (2017). Sistem Prediksi Penentuan Jenis Tanaman Sayuran Berdasarkan Kondisi Musim dengan Pendekatan Metode Trend Moment. Bimasakti.
Chang, P. C., Wang, Y. W., & Liu, C. H. (2007). The development of a weighted evolving fuzzy neural network for PCB sales forecasting. Expert Systems with Applications, 32(1), 86–96. https://doi.org/10.1016/j.eswa.2005.11.021 Desmonda, D., Tursina, T., & Irwansyah, M. A. (2018). Prediksi Besaran Curah
Hujan Menggunakan Metode Fuzzy Time Series. Jurnal Sistem Dan
Teknologi Informasi (JUSTIN), 6(4), 141.
https://doi.org/10.26418/justin.v6i4.27036
Faishol, M. A., Endroyono, & Irfansyah, A. N. (2020). Prediksi Polusi Udara Perkotaan di Surabaya Menggunakan Recurrent Neural Network - Long Short Term Memory. JUTI : Jurnal Ilmiah Teknologi Informasi, 18, 102–114.
Guntur, M., Santony, J., & Yuhandri, Y. (2018). Prediksi Harga Emas dengan Menggunakan Metode Naïve Bayes dalam Investasi untuk Meminimalisasi Resiko. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 2(1), 354–
360. https://doi.org/10.29207/resti.v2i1.276
Haryadi, D., & Kusuma, G. P. (2019). Emotion detection in text using nested Long Short-Term Memory. International Journal of Advanced Computer Science
and Applications, 10(6), 351–357.
https://doi.org/10.14569/ijacsa.2019.0100645
31
Izati, N. A., Warsito, B., & Widiharih, T. (2019). Prediksi Harga Emas Menggunakan Feed Forward Neural Network Dengan Metode Extreme Learning Machine. Jurnal Gaussian, 8(2), 171–183.
https://doi.org/10.14710/j.gauss.v8i2.26641
Kingma, D. P., & Ba, J. L. (2015). Adam: A method for stochastic optimization.
3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings, 1–15.
Mahena, Y., Rusli, M., & Winarso, E. (2015). Prediksi Harga Emas Dunia Sebagai Pendukung Keputusan Investasi Saham Emas Menggunakan Teknik Data Mining. Kalbiscentia Jurnal Sains Dan Teknologi, 2(1), 36–51.
http://files/511/Mahena et al. - 2015 - Prediksi Harga Emas Dunia Sebagai Pendukung Keputu.pdf
Milatu, M. (2019). Pengaruh Hari Raya Idul Idul Fitri Terhadap Inflasi Kota Tasikmalaya. Jurnal Dinamika Ekonomi Pembangunan, 2(1), 63.
https://doi.org/10.14710/jdep.2.1.63-69
Pakaja, F., & Naba, A. (2015). Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor. Neural Networks, 6(1), 23–28.
Rachmawati, Y. (2018). Pengaruh Inflasi dan Suku Bunga Terhadap Harga Saham Pada Perusahaan Perbankan Yang Terdaftar Di LQ45 Bursa Efek Indonesia.
Media Akuntansi, 1(1), 69. https://jurnal.univpgri- palembang.ac.id/index.php/mediasi/article/view/2368
Riduan, M., Hariwijaya, I., Furqon, M. T., & Dewi, C. (2020). Prediksi Harga Emas Dengan Menggunakan Metode Average-Based Fuzzy Time Series. 4(4), 1258–
1264.
Sanjaya, F. I., & Heksaputra, D. (2020). Prediksi Rerata Harga Beras Tingkat Grosir Indonesia dengan Long Short Term Memory. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 7(2), 163–174.
https://doi.org/10.35957/jatisi.v7i2.388
Siami-Namini, S., Tavakoli, N., & Siami Namin, A. (2018). A Comparison of
32
ARIMA and LSTM in Forecasting Time Series. 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA), 1394–1401.
https://doi.org/10.1109/ICMLA.2018.00227
Sudirman, S., & Alhudhori, M. (2018). Pengaruh Konsumsi Rumah Tangga, Investasi Terhadap Pertumbuhan Ekonomi Di Provinsi Jambi. EKONOMIS : Journal of Economics and Business, 2(1), 81.
https://doi.org/10.33087/ekonomis.v2i1.33
Walid, W. (2019). Peramalan Penjualan Harga Saham PT Bank Rakyat ( Persero ) Tbk BBRI Indonesia dengan Menggunakan Recurren Neural Nerwork ( RNN ). Prosiding Seminar Nasional Matematika, 2, 139–147.
https://journal.unnes.ac.id/sju/index.php/prisma/article/view/28901
Walid, W., Sukestiyarno, Y. L., & Sunarmi, S. (2018). Identifikasi Publikasi Dosen dalam Mewujudkan Internasionalisasi Universitas Negeri Semarang Menggunakan Neural Network. Jurnal Mipa, 41(2), 121–133.
33
