PERBANDINGAN MODEL LONG SHORT-TERM MEMORY (LSTM) DAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) UNTUK PREDIKSI HARGA SAHAM PT ASTRA INTERNATIONAL TBK (ASII)

Fauzan, Ahmad (2025) PERBANDINGAN MODEL LONG SHORT-TERM MEMORY (LSTM) DAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) UNTUK PREDIKSI HARGA SAHAM PT ASTRA INTERNATIONAL TBK (ASII). S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

[img] Text (COVER-ABSTRAK)
COVER.pdf
Download (723kB)
[img] Text (BAB I)
BAB I.pdf
Download (237kB)
[img] Text (BAB II)
BAB II.pdf
Restricted to Registered users only
Download (774kB)
[img] Text (BAB III)
BAB III.pdf
Restricted to Registered users only
Download (303kB)
[img] Text (BAB IV)
BAB IV.pdf
Restricted to Registered users only
Download (729kB)
[img] Text (BAB V)
BAB V.pdf
Download (54kB)
[img] Text (DAFTAR PUSTAKA-LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf
Restricted to Registered users only
Download (215kB)
[img] Archive (SOURCE CODE)
Sourcecode - 21.11.4346.zip
Restricted to Repository staff only
Download (1MB)
[img] Text (PUBLIKASI)
Publikasi.pdf
Restricted to Repository staff only
Download (517kB)

Abstract

Fluktuasi harga saham yang sulit diprediksi menjadi tantangan bagi investor dalam mengambil keputusan investasi, sehingga diperlukan metode prediksi yang akurat. Penelitian ini membandingkan performa model Autoregressive Integrated Moving Average (ARIMA) dan Long Short-Term Memory (LSTM) dalam memprediksi harga saham PT Astra International Tbk (ASII) menggunakan data historis dari Yahoo Finance (2020-2024). Proses penelitian meliputi pengumpulan dan eksplorasi data, normalisasi, pembuatan model, serta evaluasi menggunakan metrik MAE, MSE, RMSE, dan MAPE. Model ARIMA dioptimalkan dengan auto_arima, sementara model LSTM dituning menggunakan Grid Search. Hasil penelitian menunjukkan bahwa LSTM memiliki akurasi lebih tinggi dengan MAPE 1.41% dibandingkan ARIMA yang mencapai 3.71%. Meskipun ARIMA lebih cepat dalam eksekusi, LSTM menghasilkan prediksi yang lebih baik. Penelitian ini diharapkan dapat menjadi referensi bagi investor dan akademisi dalam memilih model prediksi saham yang optimal serta mendorong eksplorasi metode lain untuk meningkatkan akurasi prediksi.

Item Type: Thesis (S1 - Sarjana)
Contributor:
Pembimbing
Aini, Nur
Uncontrolled Keywords: Prediksi Harga Saham, ARIMA, LSTM, Deret Waktu, Evaluasi Model
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus
Divisions: Fakultas Ilmu Komputer > Informatika
Depositing User: RC Universitas AMIKOM Yogyakarta
Date Deposited: 13 Aug 2025 07:33
Last Modified: 13 Aug 2025 07:33
URI: http://eprints.amikom.ac.id/id/eprint/30337

Actions (login required)

View Item View Item