PENERAPAN TRANSFER LEARNING DAN BILSTM DALAM MEMPREDIKSI HARGA LOGAM DI PASAR KOMODITAS BERJANGKA

PRATOMO, ADJI (2023) PENERAPAN TRANSFER LEARNING DAN BILSTM DALAM MEMPREDIKSI HARGA LOGAM DI PASAR KOMODITAS BERJANGKA. S1 thesis, Universitas Mercu Buana Bekasi.

Preview	Text 41518210036 - Adji Pratomo - 01 Cover.pdf Download (962kB) | Preview
Preview	Text 41518210036 - Adji Pratomo - 02 Abstrak.pdf Download (30kB) | Preview
	Text 41518210036 - Adji Pratomo - 03 BAB 1.pdf Restricted to Registered users only Download (133kB)
	Text 41518210036 - Adji Pratomo - 04 BAB 2.pdf Restricted to Registered users only Download (146kB)
	Text 41518210036 - Adji Pratomo - 05 BAB 3.pdf Restricted to Registered users only Download (35kB)
	Text 41518210036 - Adji Pratomo - 06 BAB 4.pdf Restricted to Registered users only Download (178kB)
	Text 41518210036 - Adji Pratomo - 07 BAB 5.pdf Restricted to Registered users only Download (113kB)
	Text 41518210036 - Adji Pratomo - 08 BAB 6.pdf Restricted to Registered users only Download (727kB)
	Text 41518210036 - Adji Pratomo - 09 Daftar Pustaka.pdf Restricted to Registered users only Download (85kB)
	Text 41518210036 - Adji Pratomo - 10 Lampiran.pdf Restricted to Registered users only Download (209kB)

Abstract

ABSTRAK Nama NIM Pembimbing TA Judul Selama beberapa tahun : : : : Adji Pratomo 41518210036 Rahmat Budiarto, Dr. Prof Penerapan Transfer Learning dan BiLSTM dalam Memprediksi Harga Logam di Pasar Komoditas Berjangka. terakhir, implementasi energi terbarukan atau go green telah meningkat seiring dengan pesatnya perkembangan teknologi dan meningkatnya ketidakpastian kondisi alam yang menyebabkan harga logam non ferro seperti tembaga, aluminum, nikel, dll. digunakan sebag-- ai komponen utama untuk mengembangkan perangkat energi terbarukan, misalnya: baterai, mengalami ketidakstabilan harga di pasar berjangka komoditas. Pelaku ekonomi yang memperdagangkan logam di pasar berjangka tentu perlu berhatiharus mengevaluasi hati dan keadaan ekonomi dunia. Dengan pendekatan Deep Learning, masalah memprediksi harga material tersebut di pasar berjangka komoditas dapat diatasi. Deep learning memiliki kinerja yang baik dalam memprediksi variabel dengan data yang sangat besar. Penelitian i kombinasi dari Bidirectional Longni mengusulkan mesin prediksi sebagai Short Term Memory (BiLSTM), dengan tiga algoritma optimasi, yaitu: Adam, Root Mean Squared Propagation (RMSProp), dan Stochastic Gradient Descent (SGD), dan transfer learning untuk mem buat pelatihan model menjadi lebih baik. Percobaan pada empat data historis tentang harga nikel, timbal, aluminum dan tembaga di pasar berjangka komoditas dilakukan. Fitur yang dipilih adalah: harga buka, harga tutup dan harga volume. Dua belas model akan dibuat untuk menemukan model yang paling memprediksi harga logam. Dari model yang diperoleh dipilih 3 model teratas dengan performa terbaik, yaitu: model 4 RMSProp dengan nilai R2 0,99029 dan MSE 0,00076 sebagai peringkat pertama, model 3 Adam dengan nilai R2 0,98877 dan MSE 0,00074 sebagai peringkat kedua, dan model 4 Adam dengan nilai R2 0,98522 dan MSE 0,00115 sebagai peringkat ketiga. Kata kunci: Metal commodity Price; Prediction; BiLSTM; Optimizer; Transfer Learning.

Actions (login required)

View Item