BAB 2

LANDASAN TEORI

2.1 Emas

Emas adalah logam mulia yang responsif terhadap pergerakan harga.

Emas memiliki keunikan dalam hal kemampuannya untuk menyimpan nilai dan
melindungi risiko [2]. Emas memiliki banyak fungsi seperti sebagai alat tukar
dalam melakukan perdagangan antar negara, sebagai perhiasan, sebagai nilai tukar
sebuah negara, dan sebagai aset investasi. Emas sebagai aset investasi memiliki
berbagai macam jenis yakni [18].

1. Emas Perhiasan.
Berinvestasi dalam bentuk perhiasan emas memiliki kelebihan ganda, karena
selain berfungsi sebagai alat investasi, perhiasan emas juga bisa dipakai
sebagai aksesoris sehari-hari.

2. Emas Batangan.
Dengan kandungan emas hingga 24 karat dan kemurnian emas hingga 99%,
emas batangan merupakan investasi yang layak. Keunggulan emas batangan
lainnya adalah saat inflasi meningkat, maka harga emas batangan pun ikut
naik.

3. Sertifikat Emas.
Sertifikat emas ini merupakan selembar kertas yang membuktikan
kepemilikan emas yang disimpan di bank-bank suatu negara.

2.2 Time Series Data

Time series merupakan rangkaian pengamatan suatu data yang disusun

dalam waktu dengan jarak yang sama. Data time series dikumpulkan secara rutin
setiap hari, setiap minggu, atau setiap bulan dan dari data yang dikumpulkan
tersebut terlihat adanya tren. Secara umum, time series memiliki tiga model, yaitu
model tren, model siklus, dan model musiman. [19].
Teknik prediksi time series terbagi menjadi dua kategori. Pertama, model
prediksi berbasis matematika dan statistik seperti exponential smoothing, moving
average, ARIMA, dan regresi. Kedua, model prediksi berbasis kecerdasan buatan

6
Implementasi Model Hybrid..., Richie Darmawan Oey, Universitas Multimedia Nusantara
seperti simulated annealing, klasifikasi, neural network, algoritma genetika, model
hybrid, dan genetic programming [20].

2.3 Machine Learning

Machine learning adalah teknik pendekatan kecerdasan buatan (AI) yang

dirancang untuk meniru atau menggantikan peran manusia dalam melakukan
aktivitas dan memecahkan masalah. Dengan kata lain, pembelajaran mesin adalah
mesin yang dibuat untuk belajar dan beroperasi tanpa instruksi apa pun dari
pengguna. Secara umum, machine learning dibagi menjadi tiga jenis, yaitu
reinforcement learning, unsupervised learning, dan supervised learning [21].

2.4 ARIMA

Auto Regressive Integrated Moving Average (ARIMA) adalah model

yang menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk
menghasilkan prediksi jangka pendek yang akurat [22]. Metode ARIMA
melibatkan tiga proses utama yaitu pemeriksaan diagnostik, identifikasi, dan
prediksi [13, 23].

1. Proses pemeriksaan diagnostik melibatkan kontrol stasioneritas pada data

time series, yang sangat penting untuk membuat model ARIMA yang
praktis. Untuk membuat time series yang tidak stasioner menjadi stasioner,
differencing (d) pada derajat yang sesuai dilakukan dan stabilitasnya diuji
lagi. Proses ini terus berlanjut hingga diperoleh deret yang stasioner. Jika
operasi differencing dilakukan beberapa kali, maka parameter integrasi dari
model ARIMA ditetapkan menjadi (d).

2. Proses identifikasi dilakukan pada data yang sudah stasioner, menentukan

parameter dari operasi Auto Regressive (AR) dan Moving Average (MA).

3. Prediksi dilakukan dengan menggunakan model ARIMA yang didefinisikan

sebagai ARIMA (p, d, q) dengan p adalah derajat model Auto Regressive
(AR), d adalah derajat differencing, dan q adalah derajat Moving Average
(MA) [13]. Persamaan 2.1 merupakan formula matematis dari model
ARIMA.

yt = a1 wt 1 + a2 wt 2 + · · · + a p wt p + et q1 et 1 q2 et 2 ··· qq et q. (2.1)

7
Implementasi Model Hybrid..., Richie Darmawan Oey, Universitas Multimedia Nusantara
 (a) yt : data riil yang dilinierisasi pada waktu ke-t.
(b) t : waktu.
(c) a1 , a2 , ...a p : parameter Auto Regressive (AR).
(d) wt 1 , wt 2 , ...wt p : data yang diobservasi.
(e) et : residual acak yang tidak diketahui (error).
(f) q1 , q2 , ...qq : rata-rata bergerak (moving average).
(g) et 1 , et 2 , ...et q : data error.

2.5 Long Short Term Memory

Long Short Term Memory (LSTM) diusulkan oleh Hochreiter dan

Schmidhuber pada tahun 1997 yang merupakan pengembangan dari Recurrent
Neural Network (RNN). LSTM merupakan metode yang mampu menyimpan
informasi dalam jangka waktu yang panjang dan secara selektif menghapus
informasi yang sudah tidak relevan. Arsitektur model LSTM dapat dilihat pada
Gambar 2.1 [24].

Gambar 2.1. LSTM Diagram

Struktur LSTM mencakup cell gates dan memory cells. Sebuah cell gate
terdiri dari tiga gates yaitu forget gate, input gate, dan output gate [24]. Input
gate mengatur informasi yang akan ditambahkan atau diubah dalam sel. Kemudian,
output gate mengatur informasi yang akan dijadikan keluaran. Lalu, forget gate
memutuskan apakah informasi dari sel sebelumnya perlu dihapus atau disimpan.
Dalam memproses masukkannya, berikut langkah-langkah yang digunakan dalam
LSTM [25].

8
Implementasi Model Hybrid..., Richie Darmawan Oey, Universitas Multimedia Nusantara
1. Langkah pertama adalah menggunakan fungsi sigmoid yang dikenal sebagai
forget gate ft untuk mengidentifikasi data yang akan dihapus atau disimpan
dalam memory cell. Pada langkah awal, dapat menggunakan Persamaan (2.2).

ft = s (W f [ht 1 , xt ] + b f ) (2.2)

Dimana :

(a) ft : nilai dari forget gate.

(b) s : fungsi sigmoid.
(c) W f : bobot untuk nilai input pada waktu ke t.
(d) ht 1 : nilai output dari waktu ke t 1.
(e) xt : nilai input pada waktu ke t.
(f) b f : bias pada forget gate.

2. Langkah kedua adalah memilih data yang akan disimpan ke cell state. Input
gate terdiri dari dua lapisan yaitu input gate dan tanh. Lapisan input
gate it dapat menentukan nilai yang dapat diperbarui menggunakan fungsi
aktivasi sigmoid, dan lapisan tanh Ct dapat membuat kandidat dengan nilai
baru menggunakan fungsi aktivasi tanh. Pada langkah ini menggunakan
Persamaan (2.3) dan (2.4).

it = s (Wi [ht 1 , xt ] + bi ) (2.3)

Dimana :

(a) it : nilai dari input gate.

(b) s : fungsi sigmoid.
(c) Wi : bobot untuk nilai input pada waktu ke t.
(d) ht 1 : nilai output dari waktu ke t 1.
(e) xt : nilai input pada waktu ke t.
(f) bi : bias pada input gate.

C̃t = tanh(WC [ht 1 , xt ] + bC ) (2.4)

Dimana :

9
Implementasi Model Hybrid..., Richie Darmawan Oey, Universitas Multimedia Nusantara
 (a) C̃t : nilai kandidat cell state.
(b) tanh : fungsi hiperbolik tangent.
(c) Wc : bobot untuk nilai input cell ke c.
(d) ht 1 : nilai output dari waktu ke t 1.
(e) xt : nilai input pada waktu ke t.
(f) bi : bias pada input gate.
(g) bc : bias pada bias pada cell ke c.

3. Pada langkah berikutnya, cell state baru dibuat dengan mengalikan persamaan
(2.2) dengan cell state sebelumnya, yang kemudian ditambahkan dengan
persamaan (2.3) dan (2.4) di langkah kedua. Pada langkah ini menggunakan
Persamaan (2.5)
Ct = ft ⇤Ct 1 + it ⇤ C̃t (2.5)

Dimana :

(a) Ct : nilai memory cell state.

(b) ft : nilai forget gate.
(c) Ct 1 : nilai memory cell state pada cell sebelumnya.
(d) it : nilai dari input gate.
(e) C̃t : nilai kandidat memory cell state.

4. Langkah terakhir adalah menentukan hasil output. Pertama, lapisan sigmoid

memutuskan bagian dari cell state yang akan dijadikan output. Kemudian,
output dari cell state tersebut dilewatkan melalui lapisan tanh dan dikalikan
dengan hasil dari lapisan sigmoid untuk menghasilkan output akhir. Pada
langkah ini dapat menggunakan Persamaan (2.6) dan (2.7) secara berurutan.

ot = s (Wo [ht 1 , xt ] + bo ) (2.6)

Dimana :

(a) ot : nilai dari output gate.

(b) s : fungsi sigmoid.
(c) Wo : bobot untuk nilai input pada waktu ke t.

10
Implementasi Model Hybrid..., Richie Darmawan Oey, Universitas Multimedia Nusantara
 (d) ht 1 : nilai output dari waktu ke t 1.
(e) xt : nilai input pada waktu ke t.
(f) bo : bias pada output gate.

ht = ot ⇤ tanh(Ct ) (2.7)

Dimana :

(a) ht : output final

(b) ot : nilai output gate
(c) Ct : nilai memory cell state yang baru
(d) tanh : fungsi hyperbolic tangent

2.6 Hybrid ARIMA-LSTM

Hybrid ARIMA-LSTM adalah model yang mempertimbangkan keunggulan

linier dan non linier. Secara khusus, model ARIMA digunakan untuk menganalisis
aspek linier dari time series, sedangkan model LSTM menangani komponen non
linier. Model hybrid sangat menguntungkan ketika model individual tidak dapat
menangkap seluruh pola yang ada dalam data time series [26]. Model hybrid
ARIMA-LSTM dibuat untuk melakukan prediksi tentang masa depan dengan
menggunakan data historis dari time series.
Rumus prediksi time series dari model yang dihasilkan secara umum dapat
dinyatakan sebagai jumlah dari komponen linier dan non linier, dengan Persamaan
(2.8).
yt = Lt + Nt (2.8)

Lt menunjukkan komponen linier dari time series sedangkan Nt

menunjukkan komponen non-linier. Pada model hybrid, komponen linier dari
time series diprediksi terlebih dahulu menggunakan model ARIMA (Lt ) kemudian
dilanjutkan menggunakan model LSTM (Nt ) [13, 23]. Model hybrid ini
menggunakan model ARIMA untuk memprediksi dan mendapatkan kesalahan atau
residual dari ARIMA, kemudian menggunakan model LSTM untuk memprediksi
kesalahan dan setelah memprediksi kesalahan dari LSTM, dilakukan penambahan
nilai prediksi kesalahan LSTM dengan prediksi ARIMA untuk mendapatkan nilai
prediksi model hybrid [27].

11
Implementasi Model Hybrid..., Richie Darmawan Oey, Universitas Multimedia Nusantara
2.7 Root Mean Square Error

Root Mean Square Error (RMSE) adalah metrik matematis yang berasal
dari Mean Square Error (MSE) yang diperoleh selama evaluasi metode tertentu.
RMSE adalah metrik yang banyak digunakan dalam pemodelan prediktif. Metrik
ini berfungsi sebagai sarana untuk menilai keakuratan prediksi model dengan
membandingkannya dengan nilai observasi yang sesuai. RMSE memberikan nilai
numerik tunggal yang mengukur perbedaan keseluruhan antara prediksi model dan
hasil aktual dengan menghitung akar kuadrat dari rata-rata perbedaan kuadrat antara
nilai yang diprediksi dan nilai yang diamati. Persamaan matematis RMSE dapat
menggunakan persamaan (2.9) [15].
r
1 n
RMSE = S (Actuali Predictedi )2 (2.9)
n i=1

2.8 Mean Absolute Percentage Error

Mean Absolute Percentage Error (MAPE) merupakan nilai rata-rata selisih

mutlak yang ada antara nilai prediksi dan nilai sebenarnya, yang dinyatakan
sebagai persentase dari nilai sebenarnya. Menggunakan MAPE saat mengevaluasi
hasil prediksi memungkinkan melihat seberapa akurat angka prediksi dan angka
sebenarnya [28]. Nilai MAPE dapat dihitung dengan menggunakan persamaan
(2.10) [29].
100% n |Actuali Predictedi |
MAPE = Si=1 (2.10)
n Actuali
Penilaian MAPE dilakukan dengan melihat besarnya nilai MAPE. Nilai
MAPE yang kecil menyatakan akurasi model prediksi sangat baik, sedangkan nilai
MAPE yang besar menyatakan akurasi model prediksi yang buruk. Range nilai
untuk MAPE dapat dilihat pada Tabel 2.1 [30].

Tabel 2.1. Akurasi nilai MAPE

MAPE Akurasi
<10% akurasi prediksi sangat baik
10-20% akurasi prediksi baik
20-50% akurasi prediksi memadai
>50% akurasi prediksi buruk

12
Implementasi Model Hybrid..., Richie Darmawan Oey, Universitas Multimedia Nusantara