PREDIKSI HARGA XAUUSD PADA TIMEFRAME 1 MENITMENGGUNAKAN LSTM DAN TCN

Abstract

Kompleksitas pasar keuangan yang semakin meningkat, khususnya pada lingkungan perdagangan frekuensi tinggi, menghadirkan tantangan signifikan dalam memprediksi pergerakan harga aset secara akurat. Data harga XAUUSD pada timeframe 1 menit memiliki karakteristik volatilitas tinggi, non-linearitas, non-stasioneritas, dan noise yang substansial, sehingga sulit dimodelkan menggunakan pendekatan statistik konvensional. Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap model Long Short-Term Memory (LSTM) dan Temporal Convolutional Network (TCN) dalam memprediksi harga XAUUSD. Pendekatan eksperimental kuantitatif digunakan dengan kerangka kerja CRISP-DM, yang mencakup tahap data understanding, data preparation, modeling, dan evaluation. Dataset terdiri atas data historis XAUUSD yang diperoleh dari MetaTrader 5. Tahapan pra-pemrosesan meliputi pembersihan data, feature engineering dengan indikator teknikal (EMA, RSI, ATR), serta transformasi fitur input dan target prediksi ke dalam bentuk log-return untuk mengatasi non-stasioneritas data harga level, yang dikonfirmasi secara empiris melalui uji Augmented Dickey-Fuller. Data dibagi secara kronologis menjadi data training (70%), validation (15%), dan testing (15%), dengan proses scaling yang hanya di-fit pada data training untuk mencegah data leakage. Performa model dievaluasi menggunakan MAE, RMSE, MAPE, dan Directional Accuracy, serta dibandingkan terhadap baseline naif no-change. Hasil penelitian menunjukkan bahwa TCN menghasilkan error yang sedikit lebih rendah dibandingkan LSTM (MAE: 1,0689; RMSE: 1,5729; MAPE: 0,0244% berbanding LSTM dengan MAE: 1,3883; RMSE: 1,8304; MAPE: 0,0316%). Namun, performa TCN hampir identik dengan baseline naif (MAE: 1,0688; RMSE: 1,5728; MAPE: 0,0244%), sedangkan LSTM justru tampil sedikit lebih buruk darinya. Kedua model menghasilkan Directional Accuracy mendekati 49%, yang secara statistik tidak dapat dibedakan dari tebakan acak. Temuan ini konsisten dengan Random Walk Hypothesis pada horizon waktu yang sangat pendek, serta menegaskan pentingnya perbandingan terhadap baseline naif dalam mengevaluasi model deep learning untuk peramalan finansial frekuensi tinggi.