KORELASI KASUS HARIAN COVID-19 DAN PERGERAKAN SAHAM PERUSAHAAN VAKSIN DI PASAR GLOBAL MENGGUNAKAN LONG SHORT-TERM MEMORY (LSTM)GigihSetyajiauthorStudi ini menganalisis keterkaitan antara data kasus harian COVID-19 dan dinamika harga saham perusahaan vaksin dengan fokus pada AstraZeneca (AZN). Prediksi harga saham dilakukan melalui penerapan metode Long Short-Term Memory (LSTM) yang memanfaatkan data historis COVID-19 untuk mendeteksi pola pergerakan harga di tengah situasi krisis kesehatan global. Akurasi model ditingkatkan melalui proses optimasi hyperparameter menggunakan kerangka kerja Optuna. Hasil penelitian menunjukkan bahwa penurunan jumlah kasus COVID-19 cenderung diikuti dengan tren kenaikan harga saham AstraZeneca, menunjukkan adanya keterkaitan erat antara kondisi kesehatan masyarakat dan respon pasar modal. Evaluasi model menunjukkan bahwa LSTM yang dioptimasi dengan Optuna memiliki performa prediksi yang lebih baik dibandingkan LSTM baseline, dengan peningkatan nilai koefisien determinasi (R²) dari 0,88 menjadi 0,95. Peningkatan ini membuktikan bahwa pendekatan optimasi hyperparameter mampu meningkatkan kemampuan model dalam memahami pola data deret waktu yang kompleks. Dengan hasil tersebut, model ini diharapkan dapat dimanfaatkan sebagai acuan bagi investor, analis keuangan, maupun pembuat kebijakan dalam memproyeksikan pergerakan harga saham di sektor kesehatan pada masa pandemi atau situasi darurat serupa di masa depan. Penelitian ini juga memberikan kontribusi praktis bagi pengembangan teknologi prediksi berbasis kecerdasan buatan, khususnya dalam mengintegrasikan metode LSTM dengan proses tuning otomatis yang efisien. Temuan ini dapat menjadi dasar bagi riset lanjutan yang berfokus pada pengembangan metode hybrid atau penerapan mekanisme attention untuk meningkatkan akurasi prediksi pasar modal di masa mendatang.000 Ilmu komputer, informasi dan pekerjaan umum2026-02-02Universitas AMIKOM Yogyakarta;Pascasarjana Magister InformatikaThesis