Perbandingan Algoritma Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) Untuk Prediksi Harga Emas Dunia

Marwondo Marwondo (Fakultas Teknologi dan Informatika Universitas Informatika dan Bisnis Indonesia)
Taufik Hidayah (Fakultas Teknologi dan Informatika Universitas Informatika dan Bisnis Indonesia)

In Search (Informatic, Science, Entrepreneur, Applied Art, Research, Humanism)
Vol 21 No 2 (2022): In Search

Harga emas dunia dapat berubah-ubah secara fluktuatif. Berbagai algoritma prediksi bisa diterapkan untuk mendapatkan akurasi prediksi dengan tepat, termasuk algoritma Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU). Di antara kedua algortitma tersebut, manakah algortima yang memiliki performa terbaik dalam memprediksi haga emas dunia? Dataset yang digunaan berasal dari dari website The London Bullion Market Association (LBMA) yang berbentuk time series dari tahun 1968 sampai 2022. Parameter yang digunakan untuk perbandingan yaitu Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan Mean Absolute Error (MAE). Setelah dilakukan proses Training dan Evaluasi dengan menguji data test dihasilkan sebuah analisa bahwa algoritma GRU memberikan performa yang lebih baik dibandingkan dengan LSTM karena memiliki nilai loss/error lebih rendah dalam memprediksi harga emas dunia.