Comparative Modeling of Naïve Bayes and LSTM with Monte Carlo Forecasting for Silver Prices

Abstract

Volatilitas harga perak dalam beberapa tahun terakhir, terutama sejak 2023, yang didorong oleh lonjakan permintaan di sektor energi terbarukan, telah meningkatkan kompleksitas prediksi menggunakan pendekatan konvensional. Studi ini menguji dua pendekatan yang berbeda secara filosofis: Naïve Bayes (NB), yang mengandalkan asumsi independensi fitur, dan Long Short-Term Memory (LSTM), yang secara eksplisit dirancang untuk menangkap dependensi temporal. Menggunakan data harga perak harian (USD/troy ons) dari Investing.com untuk periode Januari 1989–Oktober 2025, NB diimplementasikan dengan tiga fitur lag (t−1 hingga t−3), sementara LSTM menggunakan arsitektur dua lapis (50 unit), 0,2 dropout, dan jendela sekuensial 60 hari. Hasil menunjukkan bahwa LSTM menghasilkan prediksi yang lebih responsif terhadap titik balik, meskipun RMSE-nya (1,0222) sedikit lebih tinggi daripada NB (0,9888). Fenomena ini sebenarnya mencerminkan sensitivitas LSTM terhadap volatilitas ekstrem di akhir tahun 2025 (>USD 53/oz), bukan kegagalan model. Sebaliknya, NB cenderung terlalu halus (over-smooth), sehingga mengakibatkan deviasi sistematis ketika tren berbalik. Dengan MAE 0,7002 (vs. 0,7354) dan stabilitas pola prediksi yang lebih realistis, LSTM direkomendasikan sebagai kerangka kerja utama, terutama jika dikombinasikan dengan estimasi ketidakpastian melalui simulasi Monte Carlo.