PREDIKSI HARGA SAHAM PT GUDANG GARAM TBK MENGGUNAKAN VARIASI ARSITEKTUR LSTM-GRU DENGAN OPTIMASI HYPERPARAMETER

Sejati, Gilang Gemilang (2026) PREDIKSI HARGA SAHAM PT GUDANG GARAM TBK MENGGUNAKAN VARIASI ARSITEKTUR LSTM-GRU DENGAN OPTIMASI HYPERPARAMETER. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (225kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (961kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (609kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf - Published Version Download (92kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (183kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.5162.zip - Published Version Restricted to Repository staff only Download (1MB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (919kB)

Abstract

Pasar saham merupakan instrumen investasi dengan tingkat volatilitas tinggi sehingga pergerakan harga sulit diprediksi secara akurat, khususnya pada saham PT Gudang Garam Tbk (GGRM) yang mengalami fluktuasi signifikan dan penurunan kinerja dalam beberapa tahun terakhir. Kondisi ini menimbulkan ketidakpastian dalam pengambilan keputusan investasi, sehingga diperlukan metode prediksi yang mampu menangkap pola kompleks pada data deret waktu. Penelitian ini bertujuan untuk menganalisis peningkatan performa kinerja model Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU) dengan pendekatan model Hybrid LSTM–GRU dengan optimasi Hyperparameter menggunakan metode Grid Search dalam memprediksi harga saham GGRM. Tahapan penelitian meliputi pengumpulan data historis periode 2015–2025, Preprocessing data (pembersihan data, penambahan indikator teknikal, normalisasi, dan pembentukan sliding window), pembangunan dan pelatihan model, serta evaluasi menggunakan metrik MAE, RMSE, MAPE dan koefisien determinasi (R2). Hasil penelitian menunjukkan bahwa model Hybrid LSTM–GRU yang dioptimasi menggunakan Grid Search mampu memberikan performa prediksi yang baik. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan model prediksi harga saham berbasis deep learning, khususnya dalam meningkatkan performa model melalui pendekatan Hybrid dan optimasi Hyperparameter, serta sebagai alat bantu dalam pengambilan keputusan investasi.

Actions (login required)

View Item