Implementasi Algoritma Pengklasifikasi Long Short–Term Memory (LSTM) untuk Data Time Series

Arum Indah Sari, Dian Puspita Hapsari, Handi F. Resi Wibowo, Chatarina Natassya Putri, Gamaliel V. Fofid Lande, Exacta Bunayya Aldero

Abstract


Meramalkan harga emas sangat penting untuk membuat keputusan keuangan yang tepat, menawarkan informasi berharga bagi investor dan pemangku kepentingan di pasar emas. Metode pembelajaran mendalam telah membuat kemajuan signifikan di berbagai bidang, seperti pengenalan gambar dan analisis sentimen. Makalah ini mengimplementasikan jaringan Memori Jangka Panjang dan Pendek (LSTM) untuk klasifikasi data kemudian kinerjanya dibandingkan dengan model regresi linier untuk memprediksi fluktuasi harga emas. Analisis prediksi harga emas harian menunjukkan bahwa model LSTM mencapai tingkat akurasi 88%, sedangkan model regresi linier berkinerja sedikit lebih baik dengan tingkat akurasi 98%. Dengan memanfaatkan kekuatan kedua model, penelitian ini memberikan wawasan penting bagi investor di pasar emas.


Keywords


pembelajaran mesin; pembelajaran mesin; LSTM; regresi linier

Full Text:

PDF

References


M. Yurtsever, “Gold Price Forecasting Using LSTM , Bi-LSTM and GRU LSTM , Bi-LSTM ve GRU ile Altın Fiyatı Tahmini,” vol. 31, no. 31, pp. 341–347, 2021, doi: 10.31590/ejosat.959405.

X. Zhang, L. Zhang, Q. Zhou, and X. Jin, “A Novel Bitcoin and Gold Prices Prediction Method Using an LSTM-P Neural Network Model,” Comput. Intell. Neurosci., vol. 2022, 2022, doi: 10.1155/2022/1643413.

J. Lei and Q. Lin, “Analysis of gold and bitcoin price prediction based on LSTM model,” Acad. J. Comput. Inf. Sci., vol. 5, no. 6, pp. 95–100, 2022, doi: 10.25236/ajcis.2022.050614.

S. Elsworth and G. Stefan, “Time Series Forecasting Using LSTM Networks : A Symbolic Approach,” pp. 1–12.

S. Sadeghi, “Enhancing Project Performance Forecasting using Machine Learning Techniques,” World Acad. Sci. Eng. Technol. Int. J. Comput. Inf. Eng., vol. 18, no. 07, pp. 2024–2025, [Online]. Available: https://www.researchgate.net/publication/381516655

S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” Neural Comput., 1997, doi: 10.1162/neco.1997.9.8.1735.

N. Kalchbrenner, I. Danihelka, and A. Graves, “Grid long short-term memory,” 4th Int. Conf. Learn. Represent. ICLR 2016 - Conf. Track Proc., pp. 1–15, 2016.

J. Lasenby, “T HE UNREASONABLE EFFECTIVENESS OF THE FORGET,” pp. 1–15, 2015.

N. G. Timmons, “Approximating Activation Functions”.




DOI: https://doi.org/10.31284/p.snestik.2025.7034

Refbacks

  • There are currently no refbacks.


Copyright (c) 2025 Arum Indah Sari, Dian Puspita Hapsari, Handi F. Resi Wibowo, Chatarina Natassya Putri, Gamaliel V. Fofid Lande, Exacta Bunayya Aldero

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.