Implementasi Metode Jaringan Saraf Tiruan Backpropagation Untuk Memprediksi Harga Emas

Investasi logam mulia seperti emas telah menjadi salah satu perencanaan investasi yang cukup diminati oleh masyarakat di Indonesia. Komoditas seperti emas dapat dikatakan sebagai salah satu jenis utama yang banyak dipilih oleh para investor untuk mendapat keuntungan dalam jangka panjang. Namun bagi para investor pemula yang baru tertarik ke investasi ini akan menemui kesulitan dalam menentukan kapan saat yang tepat untuk melakukan pembelian atau menjual emas karena harganya yang cukup fluktuatif. Oleh sebab itu, tujuan dari kenapa dilakukan penelitian ini adalah dibuatnya sistem untuk bisa melakukan prediksi harga emas di masa depan sehingga dapat menjadi salah satu alat bantu untuk investor khususnya para pemula dalam mengambil keputusan untuk menjual atau membeli emas agar bisa mendapatkan keuntungan yang diinginkan. Dalam memprediksi harga emas diperlukan metode dengan akurasi yang cukup tinggi, karena itu penulis menggunakan suatu algoritma yaitu backpropagation yang merupakan salah satu metode prediksi dari jaringan saraf tiruan. Data yang digunakan dalam penelitian ini adalah kumpulan data harian naik turunnya harga emas mulai dari tanggal 2 januari 2019 sampai dengan 27 Juni 2024 dengan total 1814 data, kemudian data tersebut dibagi menjadi 2 bagian yakni data untuk pelatihan sebesar 80 persen dan data untuk pengujian sebesar 20 persen. Hasil dari beberapa variasi percobaan pada penelitian ini menunjukkan bahwa variasi yang memiliki akurasi paling baik adalah arsitektur dari JST backpropagation dengan jumlah untuk neuron input adalah 3, neuron hidden adalah 3 dan neuron output adalah 1 dengan parameter iterasi sebesar 1000, laju pembelajaran (nilai Alpha) adalah 0,3 dan Toleransi Eror adalah 0,0001 menghasilkan Mean Square Error (MSE) pada saat dilakukan proses pelatihan senilai 0,00031608, kemudian pada saat dilakukan proses pengujian memiliki nilai eror sebesar 0,587 dan tingkat akurasi sebesar 99,413%. Penelitian ini dapat dilanjutkan dengan membuat program yang bisa dioptimalisasi dengan fungsi pembelajaran lebih lanjut, contoh seperti Resilient Backpropagation, One-Step Secant, dan metode optimasi lainnya