PENERAPAN ALGORITMA BACKPROPAGATION NEURAL NETWORK PADA PREDIKSI HARGA EMAS PENUTUP (CLOSE)

Al Fauzan, Mukhlizardy (2025) PENERAPAN ALGORITMA BACKPROPAGATION NEURAL NETWORK PADA PREDIKSI HARGA EMAS PENUTUP (CLOSE). Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text SKRIPSI_MUKHLIZARDY AL FAUZAN_123180041.pdf Restricted to Repository staff only Download (3MB)
	Text ABSTRAK.pdf Download (132kB)
	Text COVER.pdf Download (159kB)
	Text DAFTAR ISI.pdf Download (119kB)
	Text DAFTAR PUSTAKA.pdf Download (168kB)
	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (267kB)
	Text HALAMAN PENGESAHAN PENGUJI.pdf Download (296kB)

Abstract

Emas, sebagai asset bernilai tinggi, menunjukkan pergerakan harga yang fluktuatif,
menimbulkan tantangan signifikan bagi investor dalam menentukan waktu optimal untuk
pembelian dan penjualan. Ketidakpastian harga emas harian ini mendesak kebutuhan akan
informasi prediksi yang akurat dan cepat guna meminimalkan risiko kerugian serta
mengoptimalkan keuntungan investasi. Oleh karena itu, penelitian ini bertujuan mengatasi
tantangan tersebut dengan menerapkan algoritma backpropagation neural network sebagai
solusi prediksi yang efektif, guna membantu investor menavigasi pasar emas yang dinamis.
Penelitian ini menggunakan pendekatan kuantitatif dengan data historis harga emas
harian dunia dari Januari 2019 hingga April 2025 yang diperoleh dari investing.com. Data
sebanyak 1629 baris dibagi menjadi 70% data latih dan 30% data uji. Variabel input terdiri
dari harga pembukaan, harga tertinggi, harga terendah, dan volume transaksi, sedangkan
harga penutupan sebagai output. Proses metodologi mencakup studi pustaka, perumusan
hipotesis, pengumpulan data, analisis kebutuhan dan model, preprocessing data, serta
eksperimen dan pengujian dengan algoritma backpropagation neural network berarsitektur
4-8-1. Evaluasi dilakukan menggunakan metrik Mean Square Error (MSE) untuk mengukur
akurasi prediksi.
Hasil penelitian menunjukkan bahwa model backpropagation neural network
mampu memprediksi harga emas penutup dengan kinerja yang cukup baik. Pengujian
dilakukan terhadap variasi jumlah neuron pada hidden layer, iterasi, dan learning rate untuk
mencapai nilai Mean Square Error (MSE) terendah. Hasil pengujian menunjukkan bahwa
model algoritma backpropagation menghasilkan nilai MSE paling rendah sebesar 0.00067
pada proses training dan 0.00070 pada proses testing dengan menggunakan dataset sejumlah
1629 data yang dibagi menjadi 70% data training dan 30% data testing. Parameter lain yang
digunakan yaitu 8 neuron pada hidden layer, learning rate 0.01, dan iterasi sejumlah 200.
Implementasi ini tidak hanya menjadi sarana pengembangan ilmu pengetahuan di bidang
kecerdasan buatan, tetapi juga memberikan kontribusi signifikan dengan menyediakan alat
prediksi yang membantu investor mengambil keputusan investasi emas yang lebih
informatif, sehingga berpotensi meningkatkan keuntungan dan mengurangi risiko kerugian.
Kata Kunci: Prediksi, Harga Emas, Backpropagation, MSE

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	Prediksi, Harga Emas, Backpropagation, MSE
Subjek:	Q Science > Q Science (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Eny Suparny
Date Deposited:	10 Sep 2025 04:48
Last Modified:	10 Sep 2025 04:48
URI:	http://eprints.upnyk.ac.id/id/eprint/43640

Actions (login required)

View Item