VOKASI NEWS – Komoditas emas terus memperkuat posisinya sebagai salah satu instrumen keuangan yang dianggap aman (safe-haven asset) di tengah ketidakpastian ekonomi global. Namun, karakteristik harga emas yang volatil dan non-linear membuat pergerakannya sulit diprediksi secara akurat.
Untuk menjawab tantangan tersebut, dikembangkan model Deep Learning hibrida yang menggabungkan algoritma Convolutional Neural Network 1 Dimensi (CNN 1D) dan Bidirectional Long Short-Term Memory (BiLSTM). Model ini dirancang untuk meningkatkan kemampuan prediksi terhadap pergerakan harga emas.
Berdasarkan hasil pengujian menggunakan data historis selama 20 tahun terakhir, model CNN-BiLSTM menunjukkan tingkat akurasi yang lebih baik dibandingkan model tunggal yang digunakan sebagai pembanding (baseline).
Keunggulan Sinergi Fitur Spasial dan Temporal
Model tunggal seperti LSTM standar memiliki keterbatasan dalam mempelajari pola jangka panjang pada data deret waktu. Dalam kondisi tertentu, keterbatasan tersebut dapat menurunkan kemampuan model dalam mengikuti perubahan pasar yang terjadi secara ekstrem.
Sebaliknya, model CNN-BiLSTM mampu mengatasi permasalahan tersebut melalui kombinasi dua metode yang saling melengkapi. Lapisan CNN 1D berfungsi untuk mengekstraksi pola penting dan mengurangi gangguan (noise) pada data. Selanjutnya, lapisan BiLSTM memproses informasi dari dua arah waktu sehingga mampu memahami pola tren secara lebih menyeluruh.
Drs. Eto Wuryanto, DEA., selaku dosen pembimbing, menjelaskan pentingnya kombinasi kedua metode tersebut.
“Kombinasi antara penyaringan gangguan harian oleh CNN dan kemampuan BiLSTM dalam mempelajari pola data dari dua arah menjadi faktor utama yang mendukung peningkatan akurasi prediksi pada data finansial yang volatil,” ujarnya.
Resiliensi Tinggi pada Kondisi Pasar yang Berubah
Ketangguhan model CNN-BiLSTM juga diuji pada periode dengan volatilitas pasar yang tinggi. Pengujian dilakukan ketika harga emas mengalami kenaikan signifikan dan menunjukkan perubahan yang cepat.
Pada kondisi tersebut, model LSTM tunggal mengalami peningkatan tingkat kesalahan prediksi. Sebaliknya, model CNN-BiLSTM mampu mempertahankan tingkat kesalahan yang relatif rendah berdasarkan nilai Mean Absolute Percentage Error (MAPE).
Hasil penelitian ini tidak hanya berhenti pada tahap pengembangan model. Sistem prediksi tersebut juga telah diimplementasikan ke dalam aplikasi berbasis web bernama GoldSight.
Melalui aplikasi tersebut, hasil penelitian dapat dimanfaatkan sebagai alat bantu dalam menganalisis tren harga emas. Dengan demikian, pengembangan CNN-BiLSTM tidak hanya memberikan kontribusi pada bidang penelitian kecerdasan buatan, tetapi juga membuka peluang pemanfaatan teknologi untuk mendukung pengambilan keputusan berbasis data.
[BACA JUGA: Sosialisasi Penggolongan Obat Berdasarkan Sistem Tubuh di Menganti]
Penulis : Diva Firnanda Azzahra
Editor: Sinta Rahmah (Tim Vokasi Branding)
