Natalia, Valensia (2026) IMPLEMENTASI DAN EVALUASI MODEL CAE-LSTM DENGAN ATTENTION MECHANISM UNTUK PREDIKSI HARGA INSTRUMEN KEUANGAN BERBASIS DATA HISTORIS. Undergraduate thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2215101082-COVER.pdf Download (1MB) |
|
Text (ABSTRAK)
2215101082-ABSTRAK.pdf Download (363kB) |
|
Text (BAB 1 PENDAHULUAN)
2215101082-BAB 1 PENDAHULUAN.pdf Download (550kB) |
|
Text (BAB 2 KAJIAN TEORI)
2215101082-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (658kB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2215101082-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (955kB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2215101082-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (2MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2215101082-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (514kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2215101082-DAFTAR PUSTAKA.pdf Download (505kB) |
|
Text (LAMPIRAN)
2215101082-LAMPIRAN.pdf Download (881kB) |
Abstract
Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi model hibrida CAE-LSTM dengan Attention Mechanism untuk memprediksi harga penutupan (Close) harian pada tiga instrument keuangan utama, yaitu Indeks Harga Saham Gabungan (IHSG), nilai tukar USD/IDR, dan harga emas dunia. Arsitektur yang diusulkan mengintegrasikan Convolutional Autoencoder (CAE) untuk ekstraksi fitur dan noise, Long Short-Term Memory (LSTM) untuk menangkap pola temporal jangka panjang, serta Attention Mechanism untuk memfokuskan model pada titik waktu yang paling relevan. Data penelitian mencakup data historis selama 10 tahun, periode 25 Juni 2015 hingga 25 Juni 2025. Data diolah menggunakan teknik sliding window 30 hari dan dibagi dengan rasio 80% data latih serta 20% data uji. Pengujian dilakukan dengan membandingkan model utama dengan model pembanding, LSTM-Attention dan LSTM tunggal menggunakan tiga algoritma optimasi, yaitu Adam, AdamW, dan Nadam. Hasil penelitian menunjukkan bahwa model LSTM tunggal secara konsisten memberikan performa terbaik dan paling stabil dibandingkan CAE-LSTM dengan Attention Mechanism yang lebih kompleks pada ketiga instrumen keuangan yang diuji. Pada dataset IHSG dan emas, kombinasi LSTM dengan optimizer Nadam menghasilkan tingkat kesalahan terendah dengan nilai MAE masing-masing sebesar 73,1668 dan 28,1647.Sementara itu, pada dataset nilai tukar USD/IDR, model LSTM dengan optimizer Adam menunjukkan hasil paling optimal dengan nilai MAE sebesar 92,5021. Penelitian ini menyimpulkan bahwa arsitektur LSTM yang lebih sederhana terbukti lebih efektif dan akurat dalam mempelajari pola pergerakan harga instrumen keuangan dibandingkan model hibrida CAE-LSTM-Attention.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Convolution Autoencoder, Long Short-Term Memory, Attention Mechanism, IHSG, Harga Emas, Nilai Tukar. |
| Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
| Divisions: | Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1) |
| Depositing User: | Valensia Natalia |
| Date Deposited: | 07 Aug 2026 08:03 |
| Last Modified: | 07 Aug 2026 08:03 |
| URI: | http://repo.undiksha.ac.id/id/eprint/32135 |
Actions (login required)
 |
View Item |