PERBANDINGAN KINERJA REGRESI LINEAR MULTIVARIAT DAN GRU (GATED RECURRENT UNIT) DALAM MEMPREDIKSI HARGA EMAS DUNIA (XAU/USD)

Pratama, Rally Vito (2026) PERBANDINGAN KINERJA REGRESI LINEAR MULTIVARIAT DAN GRU (GATED RECURRENT UNIT) DALAM MEMPREDIKSI HARGA EMAS DUNIA (XAU/USD). Diploma thesis, Universitas Nasional.

	Text COVER-1.pdf Download (560kB)
	Text BAB 1.pdf Download (161kB)
	Text BAB 2.pdf Download (582kB)
	Text BAB 3.pdf Download (673kB)
	Text BAB 4.pdf Download (670kB)
	Text BAB 5.pdf Download (200kB)
	Text LAMPIRAN.pdf Download (304kB)

Abstract

Harga emas dunia (XAU/USD) merupakan instrumen investasi yang sangat
dinamis, sehingga membutuhkan model prediksi yang akurat untuk mendukung
pengambilan keputusan. Penelitian ini bertujuan untuk membandingkan kinerja
model statistik tradisional, yaitu Regresi Linear Multivariat (RLM), dengan model
deep learning, yaitu Gated Recurrent Unit (GRU), dalam memprediksi harga
penutupan emas dunia. Pendekatan komparatif dilakukan menggunakan data
historis harian dengan membatasi variabel input hanya pada parameter perdagangan
internal (Open, High, Low, Close). Variabel volume dieleminasi pada tahap prapemrosesan

akibat tingginya persentase missing values. Kinerja kedua model
dievaluasi menggunakan metrik Root Mean Square Error (RMSE) dan Mean
Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model
RLM memiliki kinerja yang lebih superior dan stabil dibandingkan GRU. RLM
mencatatkan nilai MAPE sebesar 0,8370% dan RMSE 34,7266, sementara GRU
menghasilkan nilai MAPE 1,9630% dan RMSE 84,7954. Keunggulan RLM dalam
penelitian ini membuktikan bahwa pergerakan harga emas pada periode observasi
didominasi oleh komponen tren linear yang kuat, di mana RLM mampu
mengekstrapolasi garis tren tersebut secara efisien, sedangkan GRU cenderung
terlalu sensitif (over-sensitive) terhadap fluktuasi noise historis jangka pendek.
Sebagai luaran praktis, kedua model telah diintegrasikan ke dalam sebuah
purwarupa Sistem Pendukung Keputusan (DSS) berbasis web bernama "ProTrader
AI", yang mampu menyintesis konvergensi proyeksi kedua model untuk
menerbitkan sinyal rekomendasi investasi secara otomatis bagi analis dan investor.

Item Type:	Thesis (Diploma)
Subjects:	H Social Sciences > HB Economic Theory H Social Sciences > HG Finance Q Science > Q Science (General) T Technology > T Technology (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Sistem Informasi
Depositing User:	Irna Irna Yunita
Date Deposited:	11 May 2026 07:03
Last Modified:	11 May 2026 07:03
URI:	https://repository.unas.ac.id/id/eprint/15884

Actions (login required)

View Item