Prediksi Harga Forex Menggunakan Algoritma Long Short-Term Memory
Bilah Samping Artikel
Isi Artikel Utama
Abstrak
Aktivitas perdagangan mata uang asing triliunan dolar per hari terjadi pada pasar forex memiliki pergerakan sangat fluktuatif dalam perdagangan mata uang asing. Perdagangan berdasarkan harga bid dan ask. Pasar menentukan nilai tukar mata uang asing berdasarkan aturan penawaran dan permintaan. Perdaganagan mata uang yang berpasangan seperti EUR/USD merupakan perbandingan nilai mata uang Euro terhadap Dollar sebagai dasar penelian, naik dan turunya harga mata uang dalam forex bergerak secara fluktuatif, sehingga seorang pelaku pasar harus dapat memutuskan posisi dalam pembelian dan penjualan. Karena keputusan yang tidak tepat dapat menyebabkan kerugian. Salah satu untuk menggurangi resiko dalam menggambil keputusan dalam pembelian dan penjualan dalam forex dapat menggunakan forecasting. Penelitian ini menggunakan metode LSTM dalam memprediksi harga forex yang akan di uji dalam beberapa skala pembagian dataset. Hasil error terkecil dengan menggunakan total dataset 2631 dengan pembagian dataset 70:15:15, yang dibagi menjadi 70% data untuk training, 15% data sebagai validation dan 15% data untuk testing menghasilkan nilai RMSE 0.038, MAPE 2.5%. Dalam mengukur seberapa baik model regresi yang digunakan dengan Rsquare pada pembagian data 70:15:15 dan total dataset yang digunakan 4979 mendapatkan hasil yang paling baik yaitu sebesar 97%.
##plugins.themes.bootstrap3.displayStats.downloads##
Rincian Artikel
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Hak cipta pada setiap artikel adalah milik penulis, dan penulis mengakui bahwa Jnanaloka sebagai pihak yang mempublikasikan pertama kali dengan lisensi Creative Commons Attribution (CC BY). Lisensi ini mengijinkan untuk, Berbagi yakni menyalin dan menyebarluaskan kembali materi ini dalam bentuk atau format apapun; dan Adaptasi yakni menggubah, mengubah, dan membuat turunan dari materi iniuntuk kepentingan apapun, termasuk kepentingan komersial dengan ketentuan Atribusi
Cara Mengutip
Referensi
Z. Hu, W. Liu, J. Bian, X. Liu, dan T.-Y. Liu, “Listening to chaotic whispers: A deep learning framework for news-oriented stock trend prediction,” in Proceedings of the eleventh ACM international conference on web search and data mining, 2018, pp. 261–269.
J. Henríquez dan W. Kristjanpoller, “A combined independent component analysis–neural network model for forecasting exchange rate variation,” Applied Soft Computing, vol. 83, p. 105654, 2019.
M. S. Islam dan E. Hossain, “Foreign exchange currency rate prediction using a gru-lstm hybrid network,” Soft Computing Letters, vol. 3, p. 100009, 2021.
S. Ahmed, S.-U. Hassan, N. R. Aljohani, dan R. Nawaz, “Flf-lstm: A novel prediction system using forex loss function,” Applied Soft Computing, vol. 97, p. 106780, 2020.
P. Escudero, W. Alcocer, dan J. Paredes, “Recurrent neural networks and arima models for euro/dollar exchange rate forecasting,” Applied Sciences, vol. 11, no. 12, p. 5658, 2021.
L. Qi, M. Khushi, dan J. Poon, “Event-driven lstm for forex price prediction,” in 2020 IEEE Asia-Pacific Conference on Computer Science and Data Engineering (CSDE). IEEE, 2020, pp. 1–6.
S. WIJESINGHE, “Time series forecasting: Analysis of lstm neural networks to predict exchange rates of currencies,” Instrumentation, vol. 7, no. 4, p. 25, 2020.
M. Ulina, R. Purba, dan A. Halim, “Foreign exchange prediction using ceemdan and improved fa-lstm,” in 2020 Fifth International Conference on Informatics and Computing (ICIC). IEEE, 2020, pp. 1–6.
M. Z. Abedin, M. H. Moon, M. K. Hassan, dan P. Hajek, “Deep learning-based exchange rate prediction during the covid-19 pandemic,” Annals of Operations Research, pp. 1–52, 2021.
C. Lu, “The long short-term memory of gbp/cny exchange rate forecasts,” in 2022 7th International Conference on Social Sciences and Economic Development (ICSSED 2022). Atlantis Press, 2022, pp. 1183–118
H. Puspita, dkk., Pengantar Teknologi Informasi. Haura Utama, 2022