%L universitasamikomyogyakarta31438
%X Prediksi harga saham merupakan sebuah tantangan yang kompleks karena
karakteristik datanya yang fluktuatif dan sulit diprediksi. Penelitian ini bertujuan
untuk merekomendasikan sebuah model kombinasi CNN-LSTM untuk prediksi 
harga saham yang lebih akurat dengan menerapkan convolutional layer pada 
algoritma Long Short-Term Memory (LSTM). Data yang digunakan dalam
penelitian ini adalah data harga penutupan harian saham PT Bank Rakyat Indonesia
(BBRI) yang dikumpulkan dari tanggal 2 Januari 2020 hingga 30 Desember 2024.
Proses penelitian meliputi pembersihan data, normalisasi, pembagian data,
pelatihan model, dan evaluasi. Dalam tahap evaluasi, performa model CNN-LSTM 
dibandingkan dengan model ARIMA dan LSTM yang dilihat berdasarkan metrik 
RMSE dan MAPE. Hasil menunjukkan bahwa model CNN-LSTM memberikan 
performa terbaik dengan nilai RMSE sebesar 71,02 dan MAPE 1,18%, lebih baik 
jika dibandingkan LSTM (RMSE 72,69 dan MAPE 1,27%) maupun ARIMA 
(RMSE 73,35 dan MAPE 1,29%). Hasil ini membuktikan bahwa penambahan 
convolutional layer pada LSTM sccara cfektif meningkatkan akurasi dan stabilitas
prediksi harga saham.
%K Prediksi Saham, LSTM, CNN, Deep Learning, CNN-LSTM
%I Universitas AMIKOM Yogyakarta
%T PENERAPAN CONVOLUTIONAL LAYER PADA ALGORITMA LONG SHORT TERM MEMORY UNTUK PREDIKSI HARGA SAHAM
%A Pijar Pahlawan Qolbu
%D 2025