Article Per Year (5 Year)
p-Index From 2020 - 2025
0
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business
Sika Azkia, Czidni
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Prediksi Harga Emas Aneka Tambang (Antam) Menggunakan Long Short- Term Memory (LSTM) Ansori, Yulian; Rahman, Arief; Darnis, Febriyanti; Sika Azkia, Czidni; Sholihin, Miftahus
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.3408

Abstract

Emas merupakan salah satu instrumen investasi yang berperan penting dalam menjaga stabilitas ekonomi, khususnya pada periode ketidakpastian global. Pergerakan harga emas sangat dipengaruhi oleh berbagai faktor ekonomi makro seperti nilai tukar, tingkat suku bunga, kebijakan moneter, serta kondisi geopolitik internasional yang dinamis. Kompleksitas hubungan antar variabel tersebut menyebabkan model statistik konvensional kurang optimal dalam memprediksi harga emas secara akurat. Penelitian ini bertujuan untuk mengembangkan model prediksi harga emas PT Aneka Tambang Tbk (ANTAM) menggunakan algoritma Long Short-Term Memory (LSTM), yang merupakan pengembangan dari Recurrent Neural Network (RNN) dan memiliki kemampuan dalam menangkap dependensi jangka panjang pada data deret waktu. Data yang digunakan bersumber dari situs resmi Logam Mulia ANTAM dengan periode pengamatan 4 Januari 2010 hingga 31 Desember 2024 sebanyak 4.545 data harian. Proses penelitian meliputi tahap pengumpulan data, normalisasi, pemisahan data pelatihan dan pengujian, pembangunan model, serta evaluasi menggunakan metrik Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil eksperimen menunjukkan bahwa konfigurasi model dengan satu hidden layer, 150 hidden units, dan 150 epoch menghasilkan akurasi sebesar 99,55% dan nilai RMSE sebesar 7.492,998. Temuan ini menunjukkan bahwa algoritma LSTM mampu memberikan performa prediksi yang sangat baik dan berpotensi diterapkan sebagai metode alternatif dalam analisis pergerakan harga komoditas di Indonesia.
Co-Authors Ansori, Yulian Arief Rahman Darnis, Febriyanti Miftahus Sholihin