PREDIKSI HARGA EMAS DI INDONESIA MENGGUNAKAN ALGORITMA GRADIENT BOOSTING REGRESSOR

• HENDRI MAHMUD NAWAWI
• 14002223

---

ABSTRAK

ABSTRAK

 

Nama                     :

Hendri Mahmud Nawawi

 

NIM                      :

14002223

Program Studi       :

Magister Ilmu Komputer

Jenjang                     :

Strata Dua (S2)

Konsentrasi                :

Data Mining

Judul                      :

“Predksi Harga Emas di Indonesia Menggunakan Algoritma Gradient Boosting Regressor”

 

Investasi dilakukan untuk mengeluarkan uang atau menyimpan uang pada suatu benda yang berharga dengan harapan akan mendapatkan keuntungan financial.  Salah satu barang investasi adalah emas nilainya yang stabil dan cenderung menaik dan tahan terhadap korosif membuat perhatian investor tertarik untuk investasi emas, sejumlah resiko tentunya harus siap dihadapi mengingat harga emas di Indonesia khususnya sering terjadi fluktuasi harga sehingga harus dipertimbangkan untuk meminimalisir kerugian dari investasi emas, makalah ini berkonsentrasi pada prediksi harga emas di Indonesia berdasarkan faktor-faktor yang mempengaruhi harga emas diantaranya level index harga saham gabungan (IHSG), harga minyak mentah, harga perak, nilai kurs rupiah terhadap dollar dan histori harga emas pada sebelumnya.  Periode yang diambil pada penelitian adalah dari tanggal 1 Januari 2015 sampai dengan 30 Juni 2020, penelitian ini melakukan eksperiment terhadap empat model algoitma yaitu decision tree, random forest, AdaBoost  dan Gradient Boosting dengan membandingkan nilai R-Squared, MAE dan RMSE dari masing-masing model yang diuji.  Hasilnya model algoritma Gradient Boosting Regressor diterapkan untuk prediksi harga emas di Indonesia pada setup N_estimator = 100 diperoleh nilai MAE sebesar 12.029,544 dan MAE 14.368,414, sedangkan nilai error paling kecil dengan model ini yaitu pada set up parameter N_estimator = 500 yaitu nilai MAE 11.620,720 dan RMSE 13.665,710 dan nilai R-Squared paling tinggi yaitu sebesar 0.789 dibandingkan model lain yang digunakan pada penelitian ini.

 

Kata kunci:

Harga Emas, Random Forest, Decision Tree Regressor, Random Forest Regressor, Adaboost Regressor, Gradient Boosting Regressor

KATA KUNCI

Gradient Boosting Regressor

---

DAFTAR PUSTAKA

DAFTAR REFERENSI

 

[1]      D. F. Azam, D. E. Ratnawati, and P. P. Adikara, “Prediksi Harga Emas Batang Menggunakan Feed Forward Neural Network Dengan Algoritme Genetika,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 8, pp. 2317–2322, 2018.

[2]      S. K. Chandar, M. Sumathi, and S. N. Sivanadam, “Forecasting gold prices based on extreme learning machine,” Int. J. Comput. Commun. Control, vol. 11, no. 3, pp. 372–380, 2016.

[3]      A. N. Sihananto and F. A. Bachtiar, “Gold price movement forecasting using hybrid ES-FIS,” Proc. - 2017 Int. Conf. Sustain. Inf. Eng. Technol. SIET 2017, vol. 2018-Janua, pp. 321–326, 2018.

[4]      Y. Sari, “Prediksi Harga Emas Menggunakan Metode Neural Network Backropagation Algoritma Conjugate Gradient,” J. ELTIKOM, vol. 1, no. 2, pp. 64–70, 2018.

[5]      H. Mombeini and A. Yazdani-Chamzini, “Modeling Gold Price via Artificial Neural Network,” J. Econ. Bus. Manag., vol. 3, no. 7, pp. 699–703, 2015.

[6]      Z. Alameer, M. A. Elaziz, A. A. Ewees, H. Ye, and Z. Jianhua, “Forecasting gold price fluctuations using improved multilayer perceptron neural network and whale optimization algorithm,” Resour. Policy, vol. 61, no. September 2018, pp. 250–260, 2019.

[7]      B. R. Auer, “On the performance of simple trading rules derived from the fractal dynamics of gold and silver price fluctuations,” Financ. Res. Lett., vol. 16, pp. 255–267, 2016.

[8]      H. M. Nawawi, J. J. Purnama, and A. B. Hikmah, “Komparasi Algoritma Neural Network Dan Naïve Bayes Untuk Memprediksi Penyakit Jantung,” J. Pilar Nusa Mandiri, vol. 15, no. 2, pp. 189–194, 2019.

[9]      S. B. Koduri, L. Gunisetti, C. R. Ramesh, K. Mutyalu, and D. Ganesh, “Prediction of crop production using adaboost regression method Prediction of crop production using adaboost regression method,” J. Phys. Conf. Ser., 2019.

[10]    Firdaus and F. Zamzam, Aplikasi Metodologi Penelitian, 1st ed. Yogyakarta: PENERBIT DEEPUBLISH, 2018.

[11]    E. Tandelilin, Portofolio dan Investasi Teori dan Aplikasi, 1st ed. Yogyakarta: Penerbit Kanisius, 2010.

[12]    S. Widoatmodjo, Cara Sehat Investasi Pasar Modal Pengantar Menjadi Investor Profesional, 6th ed. Yogyakarta: PT. Elex Media Komputindo (Kelompok Gramedia), 2008.

[13]    E. Syafputri, Investasi emas, dinar, dirham. Depok: Penebar Plus, 2012.

[14]    A. Nugroho, Solusi Keuangan Pribadi Sehari-hari CINTA, UANG, KEHIDUPAN, 1st ed. Jakarta: PT Elex Media Komputindo, 2015.

[15]    A. Byna, MONOGRAF ANALISIS KOMPARATIF MACHINE LEARNING UNTUK KLASIFIKASI KEJADIAN STUNTING, 1st ed. Banyumas: CV. Pena Persada, 2020.

[16]    J. Sanjaya, E. Renata, V. E. Budiman, F. Anderson, and M. Ayub, “Prediksi Kelalaian Pinjaman Bank Menggunakan Random Forest dan Adaptive Boosting,” J. Tek. Inform. dan Sist. Inf., vol. 6, no. April, pp. 50–60, 2020.

[17]    S. Adinugroho and Y. A. Sari, IMPLEMENTASI DATA MINING MENGGUNAKAN WEKA, 1st ed. Malang: UB Press, 2018.

[18]    H. Hermanto, S. J. Kuryanti, and S. N. Khasanah, “Comparison of Naïve Bayes Algorithm , C4 . 5 and Random Forest for Service Classification Ojek Online,” J. Publ. Informatics Eng. Res., vol. 3, no. 2, 2019.

[19]    Indrayanti, D. Sugianti, and M. A. Al Karomi, “OPTIMASI PARAMETER K PADA ALGORITMA K-NEAREST NEIGHBOUR UNTUK KLASIFIKASI PENYAKIT DIABETES MELLITUS,” Pros. SNATIF, pp. 823–829, 2017.

[20]    B. Santoso, A. I. S. Azis, and Zoharahayati, MACHINE LEARNING & REASONING FUZZY LOGIC ALGORITMA, MANUAL, MATLAB & RAPID MINER, 1st ed. Sleman: PENERBIT DEEPUBLISH, 2020.

[21]    N. D. G. Vadivu, “Big Data Analytics for Gold Price Forecasting Based on Decision Tree Algorithm and Support Vector Regression (SVR),” Int. J. Sci. Res., vol. 4, no. 3, pp. 2026–2030, 2015.

[22]    A. R. Muslikh, H. A. Santoso, and A. Marjuni, “KLASIFIKASI DATA TIME SERIES ARUS LALU LINTAS JANGKA PENDEK MENGGUNAKAN ALGORITMA ADABOOST DENGAN RANDOM FOREST,” BRILIANT J. Ris. dan Konseptual, vol. 4, no. 1, pp. 78–96, 2019.

[23]    V. Rodriguez-Galiano, M. Sanchez-Castillo, M. Chica-Olmo, and M. Chica-Rivas, “Machine learning predictive models for mineral prospectivity: An evaluation of neural networks, random forest, regression trees and support vector machines,” Ore Geol. Rev., vol. 71, pp. 804–818, 2015.

[24]    V. W. Siburian, “Prediksi Harga Ponsel Menggunakan Metode Random Forest,” Annu. Res. Semin. 2018 Fak. Ilmu Komput. UNSRI, vol. 4, no. 1, pp. 978–979, 2018.

[25]    S. Sulistiani and T. Diani, “PRAKIRAAN FLARE SINAR-X MATAHARI BERDASARKAN EVOLUSI DAERAH AKTIF ( PREDICTION OF SOLAR X-RAY FLARES BASED ON ACTIVE REGIONS EVOLUTION ),” J. Sains Dirgant., vol. Vol. 16 No, pp. 23–32, 2018.

[26]    M. D. Nugraha, J. A. Utama, and S. Sulistiani, “Implementasi Metode Random Forest Dalam Memprediksi Peristiwa Flare,” Pros. Semin. Nas. Fis., pp. 258–263, 2018.

[27]    P. Probst, M. Wright, and A. Boulesteix, “Hyperparameters and Tuning Strategies for Random Forest,” stat.ML, no. 2010, pp. 1–19, 2019.

[28]    L. Yang, L. Yang, Z. Jianyong, and L. Rongxiu, “Prediction of component content in rare earth extraction process based on ESNs-Adaboost,” IFAC-PapersOnLine, vol. 51, no. 21, pp. 42–47, 2018.

[29]    J. Cai, K. Xu, Y. Zhu, F. Hu, and L. Li, “Prediction and analysis of net ecosystem carbon exchange based on gradient boosting regression and random forest,” Appl. Energy, vol. 262, no. November 2019, p. 114566, 2020.

[30]    H. Rao et al., “Feature selection based on artificial bee colony and gradient boosting decision tree,” Appl. Soft Comput. J., 2018.

[31]    S. Nakagawa, P. C. D. Johnson, and H. Schielzeth, “The coefficient of determination R 2 and intra-class correlation coefficient from generalized linear mixed-effects models revisited and expanded,” R. Soc. Publ., pp. 1–11, 2017.

[32]    M. Kayri, I. Kayri, and M. T. Gencoglu, “The Performance Comparison of Multiple Linear Regression , Random Forest and Artificial Neural Network by using Photovoltaic and Atmospheric Data,” 2017 14th Int. Conf. Eng. Mod. Electr. Syst., pp. 1–4, 2017.

[33]    W. Putri and E. I. M. Susi, “PREDIKSI PARAMETER HASIL PENGISIAN ADONAN TAHU TUNA MENGGUNAKAN PENDEKATAN MACHINE LEARNING,” Semin. Nas. Tah. XVI, pp. 319–324, 2019.

[34]    E. Rahmawati, S. Hadianti, M. F. Akbar, and W. Gata, “Penerapan Algoritma Cuntuk Memprediksi Performa Vendor Online,” Semin. Nas. Teknol. Inf. Univ. Ibn Khaldun Bogor 2018, pp. 224–231, 2018.

[35]    A. M. Talpur, Congestion Detection in Software Defined Networks using Machine Learning. Bremen: University of Bremenr, 2017.

[36]    I. H. Witten and E. Frank, Practical Machine Learning Tools and Techniques, Second. San Francisco: Diane Cerra, 2005.

[37]    D. Parbat and M. Chakraborty, “A python based support vector regression model for prediction of COVID19 cases in India,” ELSEVIER, vol. 138, pp. 3–7, 2020.

[38]    S. Rasckha and V. Mirjalili, Phyton Machine Learnig, Second. Birmingham: Packt Publishing, Ltd, 2017.

[39]    A. M. Yusuf, Metode Penelitian Kuantitatif, Kualitatif & Penelitian Gabungan. Jakarta: Prenada Media, 2016.

[40]    A. Juliandi, Irfan., and S. Manurung, Metodologi Penelitian Bisnis, Konsep dan Aplikasi: Sukses Menulis Skripsi & Tesis Mandiri. 2014.

[41]    E. Susana, “Pengukuran Tekanan Darah Non-Invasive Tanpa Manset Menggunakan Metode Pulse Transit Time Berbasis Machine Learning Multivariat Regresi,” J. Kesehat., vol. 10, no. April, pp. 1–6, 2019.