PREDIKSI HARGA EMAS MENGGUNAKAN METODE ARTIFICIAL NEURAL NETWORK BACKPROPAGATION

M. Hadiyan Amaly; Hanipar Mahyulis Sastriana; Wiwit Pura Nurmayanti

Authors

M. Hadiyan Amaly Global Nusantara Riset
Hanipar Mahyulis Sastriana Program Studi Statistika Universitas Hamzanwadi
Wiwit Pura Nurmayanti Program Studi Statistika Universitas Mulawarman

Abstract

The price of gold which continues to increase makes business people or people often make gold for investment. That is why investors must be able to predict the price of gold with the aim of knowing the investment opportunities for gold prices in the future, so that it can be a consideration for gold investors in making investments. The forecasting method used in this research is Artificial Neural Network Backpropagation. The results of this study show that the gold price forecasting architecture model is 3-5-3-1 where there are 3 input layer variables, 5 first hidden layers, 3 second hiden layers, and 1 output value. Producing a prediction of 1812,473 in addition to the MSE value of 0.0011034 and the accuracy value of the model using MAPE of 10.71607% so that the forecasting model is good and accurate.

References

Amrin, A. (2016). Analisa Komparasi Neural Network Backpropagation Dan Multiple Linear Regression Untuk Peramalan Tingkat Inflasi. Jurnal Teknik Komputer, 2(2), 1-6.

Ashshiddiqi, A. J. R., & Indriati, S. (2018). Implementasi Jaringan Saraf Tiruan Backpropagation untuk Memprediksi Jumlah Penduduk Miskin di Indonesia dengan Optimasi Algoritme Genetika. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, 2548, 964X.

Azam, D. F., Ratnawati, D. E., & Adikara, P. P. (2018). Prediksi Harga Emas Batang Menggunakan Feed Forward Neural Network Dengan Algoritme Genetika. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, 2548, 964X.

Dongare, A. D., Kharde, R. R., & Kachare, A. D. (2012). Introduction to artificial neural network. International Journal of Engineering and Innovative Technology (IJEIT), 2(1), 189-194.

Indrawaty, A. Y., Hermana, A. N., & Ramadhan, A. (2012). Implementasi Model Backpropagation Dalam Mengenali Pola Gambar Untuk Mendiagnose Penyakit Kulit. J. Inform, 3(1), 1-7.

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.

Jaya, H., dkk. (2018). Kecerdasan Buatan. Makasar: Fakultas MIPA Universitas Negeri Makasar.

John, D. R., & Latupeirissa, S. J. (2020). Peramalan Harga Emas di Indonesia Tahun 2014-2019 dengan Metode Arima Box-Jenkins. VARIANCE: Journal of Statistics and Its Applications, 2(2), 53-62.

Kartika, A. A. (2019). Prediksa Konsumsi Obat pada Rumah Sakit Menggunakan Metode Artificial Neural Network (ANN).

Kristanto, A., (2004). Jaringan Saraf Tiruan: Konsep Dasar, Algoritma dan Aplikasinya. Yogyakarta: Gava Media

Maru’ao, D. O. (2010). Neural Network Implementation in Foreign Exchange Kurs Prediction. Gunadarma Univ. Fac. Ind.

Ningsih, L. A. (2020). Eksistensi Investasi Emas Sebagai Investasi Ideal Ditinjau dari Pendekatan Muamalah. Jurnal Al Iqtishad, 2(01).

Rahmalia, D., & Aini, N. (2018). Pengaruh Korelasi Data pada Peramalan Suhu Udara Menggunakan Backpropagation Neural Network. Zeta-Math Journal, 4(1), 1-6.

Windarto, A. P., Lubis, M. R., & Solikhun, S. (2018). Implementasi JST pada Prediksi Total Laba Rugi Komprehensif Bank Umum dan Konvensional dengan Backpropagation. Jurnal Teknologi Informasi dan Ilmu Komputer, 5(4), 411-418.

Windarto, A.P., dkk. (2020). Jaringan Saraf Tiruan. Algoritma Prediksi & Implementasi. Medan: Yayasan Kita Menulis

Wirjodirdjo, B. (2008). Penghampiran” Neo Fuzzy Neuron” Wacana dalam Rancangan Konsepsual Sistem Penilaian Karyawan. EKUITAS (Jurnal Ekonomi dan Keuangan), 12(1), 97-120.

Yusuf, F. I., & Anjasari, D. H. (2018). Metode Triple Exponential Smoothing Holt-Winters untuk Peramalan Jumlah Wisatawan Nusantara di Kabupaten Banyuwangi. Unisda Journal of Mathematics and Computer Science (UJMC), 4(2), 1-6.