PENGEMBANGAN ALGORITMA LONG SHORT-TERM MEMORY (LSTM) UNTUK PREDIKSI HARGA SAHAM BANK BCA

Budiyanto, Muhammad Yunus Samodera (2025) PENGEMBANGAN ALGORITMA LONG SHORT-TERM MEMORY (LSTM) UNTUK PREDIKSI HARGA SAHAM BANK BCA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (258kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (998kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (332kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (103kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (302kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4441.zip Restricted to Repository staff only Download (666kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (1MB)

Abstract

Perkembangan teknologi kecerdasan buatan (Artificial Intelligence) dan pembelajaran mesin (Machine Learning) telah membuka peluang baru dalam analisis pasar modal, khususnya dalam prediksi harga saham. Penelitian ini bertujuan untuk mengembangkan model Long Short-Term Memory (LSTM) dalam memprediksi harga saham PT Bank Central Asia Tbk (BBCA), serta mengevaluasi pengaruh pengaturan hyperparameter terhadap performa model. Dataset historis harga saham BBCA selama 10 tahun terakhir digunakan sebagai dasar dalam pelatihan dan pengujian model. Penelitian ini dilakukan melalui serangkaian tahapan, mulai dari pengumpulan data, preprocessing (handling missing values, normalisasi, dan pembentukan time series), pembagian data (train-test split), hingga pelatihan model LSTM dengan berbagai kombinasi epoch dan tiga jenis optimizer (Adam, SGD, dan RMSprop). Evaluasi model dilakukan menggunakan metrik Root Mean Squared Error (RMSE) dan Mean Absolute Error (MAE) untuk mengukur akurasi hasil prediksi. Visualisasi data dan hasil prediksi juga disertakan sebagai bagian dari analisis komparatif. Hasil penelitian menunjukkan bahwa konfigurasi model dengan optimizer Adam dan jumlah epoch 100 memberikan performa terbaik dengan nilai RMSE dan MAE terendah. Optimizer RMSprop juga memberikan hasil yang kompetitif, mendekati akurasi Adam namun dengan waktu pelatihan yang lebih singkat, sehingga dapat dianggap sebagai alternatif yang efisien. Sementara itu, optimizer SGD menghasilkan performa paling rendah dengan error yang tinggi. Dengan demikian, penelitian ini membuktikan bahwa tuning hyperparameter dan pemilihan optimizer yang tepat berperan penting dalam meningkatkan akurasi model LSTM. Model yang dikembangkan dapat menjadi referensi bagi investor dan peneliti selanjutnya dalam membangun sistem prediksi saham berbasis deep learning.

Actions (login required)

View Item