PREDIKSI HARGA SAHAM BBRI MENGGUNAKAN METODE RECURRENT NEURAL NETWORK DENGAN PENDEKATAN LONG SHORT-TERM MEMORY (LSTM)

Kana, Made Rafi (2025) PREDIKSI HARGA SAHAM BBRI MENGGUNAKAN METODE RECURRENT NEURAL NETWORK DENGAN PENDEKATAN LONG SHORT-TERM MEMORY (LSTM). S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (306kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (898kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (248kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (920kB)
	Text (BAB V) BAB V.pdf Download (88kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (253kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4432.zip Restricted to Repository staff only Download (1MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (943kB)

Abstract

Pasar saham merupakan salah satu instrumen investasi yang menjanjikan, namun memiliki tingkat volatilitas yang tinggi sehingga mempersulit investor dalam mengambil keputusan yang tepat. Pergerakan harga saham yang kompleks dan dipengaruhi oleh berbagai faktor eksternal memerlukan metode prediksi yang akurat dan adaptif. Bank Rakyat Indonesia (BBRI) sebagai salah satu emiten besar di Indonesia menjadi objek penelitian ini karena memiliki pergerakan harga yang dinamis dan menjadi perhatian utama para investor. Untuk menjawab tantangan tersebut, penelitian ini mengusulkan penerapan metode Recurrent Neural Network (RNN) dengan pendekatan Long Short-Term Memory (LSTM) untuk memprediksi harga saham BBRI berdasarkan data historis. Penelitian dilakukan menggunakan data historis harga saham BBRI dari tahun 2014 hingga 2024 yang diperoleh dari situs Investing.com. Tahapan yang dilakukan meliputi pengumpulan data, eksplorasi dan transformasi data, normalisasi, pembentukan dataset time series menggunakan sliding window sepanjang 60time step, pembangunan model LSTM dengan dua lapisan dan dropout, serta pelatihan model menggunakan empat algoritma optimasi: Adam, Nadam, SGD, dan RMSprop. Evaluasi kinerja model dilakukan menggunakan metrik MSE, RMSE, MAE, EVS, dan R². Hasil penelitian menunjukkan bahwa model LSTM dengan optimasi Adam pada konfigurasi 100 epoch menghasilkan performa terbaik, ditandai dengan nilai error yang rendah dan koefisien determinasi (R²) lebih dari 0,92. Penelitian ini memberikan kontribusi nyata dalam membantu investor mengambil keputusan investasi berbasis data dan dapat dijadikan referensi untuk pengembangan model prediksi harga saham di masa depan dengan pendekatan deep learning.

Actions (login required)

View Item