<![CDATA[Fluktuasi harga emas yang tinggi dari waktu ke waktu mendorong perlunya pengembangan model prediksi yang andal untuk membantu investor dalam pengambilan keputusan. Penelitian ini bertujuan untuk membangun model prediksi harga emas bulanan menggunakan pendekatan hybrid deep learning yang meng-gabungkan Convolutional Neural Network (CNN), Bidirectional Long Short-Term Memory (BiLSTM), dan Attention Mechanism. Dataset yang digunakan adalah data historis harga emas periode 2013–2023 yang telah diproses menjadi data bulanan dan dinormal-isasi. Proses pelatihan dilakukan dengan konfigurasi hyperparame-ter optimal hasil grid search, yaitu learning rate 0.001, batch size 16, dan epoch 3000. Model dievaluasi menggunakan metrik MAE, RMSE, MAPE, akurasi, dan koefisien determinasi. Hasil evaluasi menunjukkan bahwa model mencapai RMSE sebesar 53.78, MAE sebesar 39.11, MAPE sebesar 2.78%, akurasi prediksi sebesar 97.22%, dan R² sebesar 0.9602. Model mampu mengikuti tren fluktuasi harga emas bulanan dengan tingkat ketepatan yang tinggi. Integrasi CNN, BiLSTM, dan Attention terbukti meningkatkan kinerja prediktif dibandingkan pendekatan konvensional. Dengan demikian, model ini berpotensi menjadi alat bantu yang efektif dalam meramalkan harga emas dan mendukung pengambilan keputusan investasi berbasis data]]>
Copyrights © 2026
