Prediksi Harga Emas Bulanan Menggunakan Backpropagation Neural Network dan Hyperband Berbasis Lookback Window

Abstract

Emas merupakan salah satu instrumen investasi yang memiliki peran strategis dalam perekonomian global karena sifatnya sebagai aset safe haven atau alat diversifikasi portofolio dan lindung nilai terhadap inflasi serta ketidakpastian ekonomi. Volatilitas harga emas yang tinggi menjadikan prediksi akurat penting bagi para investor untuk meminimalkan risiko dan mengoptimalkan keputusan investasi. Penelitian ini bertujuan untuk mengembangkan model prediksi harga emas bulanan menggunakan backpropagation neural network yang dioptimasi hyperband dan mengevaluasi pengaruh variasi lookback window (2 dan 3 bulan). Data harga emas bulanan (pembukaan, tertinggi, terendah, penutupan) dari Januari 2011 sampai Desember 2023 digunakan sebagai data latih, dan Januari-Desember 2024 sebagai data uji. Metode meliputi normalisasi data dengan MinMaxScaler, desain arsitektur BPNN dengan fungsi aktivasi ReLU pada hidden layer dan fungsi aktivasi Identitas pada output layer, serta optimasi hyperparameter (learning rate, jumlah hidden layer, jumlah neuron) menggunakan hyperband. Prediksi rekursif dilakukan dengan memperbarui bobot dan bias melalui feedforward dan backpropagation. Hasil menunjukkan model dengan lookback window 3 bulan menghasilkan Mean Absolute Percentage Error (MAPE) 8.46% dan akurasi 91.54%, lebih unggul dibandingkan lookback window 2 bulan. Temuan ini menegaskan efektivitas kombinasi BPNN, hyperband, dan lookback window untuk prediksi harga emas, memberikan alat bantu bagi investor dan kontribusi metodologis dalam optimasi model.