PENERAPAN CONVOLUTIONAL LAYER PADA ALGORITMA LONG SHORT TERM MEMORY UNTUK PREDIKSI HARGA SAHAM

Qolbu, Pijar Pahlawan (2025) PENERAPAN CONVOLUTIONAL LAYER PADA ALGORITMA LONG SHORT TERM MEMORY UNTUK PREDIKSI HARGA SAHAM. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (4MB)
	Text (BAB I) BAB I.pdf Download (165kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (455kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (384kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (463kB)
	Text (BAB V) BAB V.pdf Download (71kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (191kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4368.zip Restricted to Repository staff only Download (436kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (1MB)

Abstract

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.

Actions (login required)

View Item