Pendekatan Transformer dalam Prediksi Data Time Series Bulanan dan Harian (Studi kasus: Inflasi dan Saham)
Tahun 2026 · Penulis: Dewanda Rizky Rachmawati
Faculty of Mathematics and Natural Sciences, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/13482
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Pendekatan Transformer dalam Prediksi Data Time Series Bulanan dan Harian (Studi kasus: Inflasi dan Saham)
Seri waktu adalah data yang diatur berdasarkan urutan waktu dan digunakan secara luas dalam berbagai bidang, seperti ekonomi dan keuangan, untuk mendukung pengambilan keputusan. Data inflasi cenderung stabil dan musiman, sementara data harga saham mudah menguap, sehingga membutuhkan metode prediksi yang dapat menangkap karakteristik dari kedua jenis data. Penelitian ini bertujuan untuk menerapkan model Transformer untuk memprediksi data seri bulanan dan harian dan membandingkan keakuratannya dengan model Long Short-Term Memory (LSTM). Penelitian ini menggunakan tiga dataset: data harga saham harian Nestlé dengan 2.725 pengamatan, data inflasi bulanan untuk Jawa Timur dengan 226 pengamatan, dan nestlé saham membagi data dengan 226 pengamatan. Data dibagi menjadi data pelatihan, data tes, dan data yang tersimpan untuk proses pengujian kinerja model. Selanjutnya, model Transformer dan LSTM diimplementasikan, dan kemudian hasil prediksi dikembalikan ke skala asli menggunakan transformasi terbalik. Evaluasi model dilakukan menggunakan Error Akar Mean Square (RMSE), ketika diluar-dari-semple evaluasi prediksi menggunakan MAPE dan RMSE untuk menentukan horizon prediksi optimal. Hasil penelitian menunjukkan bahwa Transformer maupun LSTM dapat mempelajari pola sejarah dan menghasilkan prediksi pada ketiga dataset. Model Transformer tampil lebih baik untuk memprediksi data dengan sejumlah besar pengamatan, sedangkan model LSTM lebih akurat untuk memprediksi data dengan sejumlah kecil pengamatan.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,863
Tahun 2026 · Penulis: Tahfani First Sipa
Prediksi Nilai Tukar Rupiah terhadap Dolar AS Menggunakan Model LSTM Multivariat dengan Exogenous Makroekonomi dan Finansial
Studi ini bertujuan guna melakukan prediksi nilai tukar Rupiah terhadap Dolar AS dengan memanfaatkan model Long Short-Term Memory (LSTM) multivariat yang mengintegrasikan variabel exogen dari aspek makroekonomi dan finansial. Data yang digunakan berupa data de
- Cosine 0,835
Tahun 2026 · Penulis: Wynda Ananda Ika Kharisma
Prediksi Harga Emas Menggunakan Metode Gated Recurrent Unit (GRU)
Harga emas merupakan jenis data deret waktu (time series) yang menunjukkan pola fluktuatif dan dipengaruhi oleh berbagai faktor ekonomi, sehingga prediksi yang akurat menjadi tantangan tersendiri. Oleh karena itu, diperlukan metode yang mampu mempelajari pola
- Cosine 0,827
Tahun 2026 · Penulis: Fariha Adila Basha
Forecasting Multivariabel Harga Saham Menggunakan Model LSTM Multi-output
Prakiraan harga saham adalah masalah penting dalam dunia investasi karena pergerakan harga saham mudah menguap dan dipengaruhi oleh berbagai faktor ekonomi dan sentimen pasar. Oleh karena itu, metode prakiraan mampu menangkap pola nonlinear dan ketergantungan