FORECASTING HARGA GOLD DALAM GAME ALBION ONLINE MENGGUNAKAN MODEL LSTM (LONG SHORT-TERM MEMORY)

Fergiano Deren Ryandi, Sofi Defiyanti, M. Jajuli

Abstract

Abstrak. Pasar ekonomi dalam gim MMORPG Albion Online memiliki tingkat kompleksitas dan volatilitas yang tinggi, khususnya pada pergerakan harga Gold sebagai mata uang premium. Fluktuasi harga yang tidak menentu sering kali menyebabkan kerugian ekonomi bagi para pemain dalam menentukan momentum transaksi. Penelitian ini bertujuan untuk membangun sistem peramalan (forecasting) harga Gold dengan menggunakan model Long Short-Term Memory (LSTM) dengan arsitektur Triple-Stacked. Data yang digunakan merupakan data deret waktu (time series) harga Gold selama periode satu bulan lima belas hari yang dikumpulkan per jam. Pra-pemrosesan data dilakukan melalui tahap pembersihan data dan normalisasi menggunakan metode Min-Max Scaling untuk meningkatkan efisiensi pelatihan model. Hasil penelitian menunjukkan bahwa model LSTM yang dikembangkan mampu memprediksi harga dengan tingkat akurasi yang sangat tinggi, dibuktikan dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 2,90%. Visualisasi perbandingan antara data aktual dan prediksi menunjukkan kedekatan yang signifikan, terutama pada peramalan jangka pendek. Sistem ini diharapkan dapat menjadi instrumen pendukung keputusan bagi pemain dalam mengoptimalkan strategi perdagangan di ekosistem ekonomi Albion Online. Abstract. The economic market in the MMORPG game Albion Online exhibits high levels of complexity and volatility, particularly in the price movement of Gold as a premium currency. Uncertain price fluctuations often lead to economic losses for players when determining transaction momentum. This study aims to build a Gold price forecasting system using the Long Short-Term Memory (LSTM) model with a Triple-Stacked architecture. The data used is time series data of Gold prices over a period of one month and fifteen days, collected hourly. Data pre-processing was conducted through data cleaning and normalization using the Min-Max Scaling method to enhance model training efficiency. The results show that the developed LSTM model is capable of predicting prices with very high accuracy, evidenced by a Mean Absolute Percentage Error (MAPE) of 3.50% for a 24-hour horizon and 5.15% for a 72-hour horizon. These results categorize the model as a highly accurate forecasting classification. This system is expected to serve as a decision-support instrument for players to optimize trading strategies within the Albion Online economic ecosystem.

Source: semanticscholar · PDF

Read the AI summary, key takeaways and discussion on WOBR Quant Research.