Komparasi LSTM dan GRU untuk Prediksi Harga XAUUSD dan Sinyal Trading

  • Chandra Wijaya Program Studi Teknik Informatika, Fakultas Teknologi Industri, Institut Sains & Teknologi TD Pardede Medan
  • Janter Napitupulu Program Studi Teknik Informatika, Fakultas Teknologi Industri, Institut Sains & Teknologi TD Pardede Medan
  • Rikardo H Siahaan Program Studi Teknik Informatika, Fakultas Teknologi Industri, Institut Sains & Teknologi TD Pardede Medan
Kata Kunci: LSTM; GRU; XAUUSD; prediksi harga; swing trading; sistem pendukung keputusan

Abstrak

Pasar valuta asing dan instrumen XAUUSD memiliki volatilitas tinggi sehingga memerlukan pendekatan
prediksi yang mampu memodelkan dependensi temporal. Penelitian ini membandingkan Long Short-Term
Memory (LSTM) dan Gated Recurrent Unit (GRU) untuk memprediksi harga penutupan XAUUSD dan
membangkitkan sinyal Buy, Sell, dan Hold sebagai keluaran sistem pendukung keputusan pada strategi swing
trading. Data Gold Futures ticker GC=F diperoleh dari Yahoo Finance pada timeframe harian untuk periode 2
Januari 2020 sampai 28 April 2026. Sebanyak 1.596 baris data diproses menggunakan fitur Close,
normalisasi MinMaxScaler, sliding window 60 hari, dan pembagian sekuensial 80% data latih serta 20% data
uji. Arsitektur kedua model dikontrol agar setara dan dievaluasi menggunakan RMSE, MAE, MAPE, serta
waktu training. Pada run detail yang dilaporkan, GRU menghasilkan RMSE 82,2814, MAE 52,9155, dan
MAPE 1,3290%, sedangkan LSTM menghasilkan RMSE 102,4626, MAE 65,0265, dan MAPE 1,5705%.
LSTM lebih cepat dilatih, yaitu 91,90 detik dibandingkan GRU 156,43 detik. Dengan threshold perubahan
prediksi sebesar ±0,5%, GRU menghasilkan proporsi Hold lebih tinggi, yaitu 49,7%, sehingga lebih selektif
dalam merekomendasikan entry. Hasil ini menunjukkan bahwa GRU lebih unggul pada akurasi run detail,
sedangkan LSTM unggul pada efisiensi pelatihan.

Diterbitkan
2027-03-02