PERAMALAN HARGA SAHAM DENGAN METODE LONG SHORT TERM MEMORY (LSTM)
Article Sidebar
Main Article Content
Abstract
Sistem prediksi harga saham di Indonesia menggunakan algoritma machine learning, yaitu Long Short Term Memory (LSTM). Data yang dipilih sebagai faktor pengaruh dalam sistem ini adalah harga Brent Crude Oil. Tujuan utama dari sistem ini adalah memberikan nilai prediksi saham untuk 7 hari ke depan, yang dapat membantu masyarakat umum dan investor untuk lebih memitigasi risiko yang timbul dari pembelian saham. Data yang digunakan adalah harga penutupan Brent Crude Oil dan harga penutupan PT. Astra International Tbk yang diperoleh dari situs Yahoo Finance yang terdiri dari data dari Januari 2018 hingga Januari 2023. Data yang digunakan telah dinormalisasi dan diproses sebelum dimasukkan ke dalam model LSTM. Hasil terbaik dapat dicapai dengan menggunakan 80% data sebagai dataset pelatihan, timestep 20, 120 epochs, dan batch size 64. Dengan pengembangan sistem ini, diharapkan masyarakat umum dan investor di Indonesia dapat lebih memitigasi risiko dari pembelian saham yang dianggap sebagai investasi berisiko tinggi..
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under a Jurnal Komunikasi Creative Commons Attribution-ShareAlike 4.0 International License.
References
P. Forgarty, “5 Key Factors Influencing the Global Economy According to Munich Re’s 2023 Economic Outlook,” Risk & Insurance, 21 February 2023. [Online]. Available: https://riskandinsurance.com/5-key-factors-influencing-the-global-economy-according-to-munich-res-2023-economic-outlook/. [Diakses 21 September 2023].
M. R. Ramadan, “Pengaruh Inflasi, BI Rate dan Harga Minyak Dunia Terhadap Harga Saham Sektor Transportasi Periode Tahun 2013-2017,” Universitas Widyatama, 2019. [Online]. Available: https://repository.widyatama.ac.id/items/33497e7b-32ab-4116-9e7c-abef680df441. [Diakses 21 September 2023].
R. Julian dan M. R. Pribadi, “Peramalan Harga Saham Pertambangan Pada Bursa Efek Indonesia (BEI) Menggunakan Long Short Term Memory (LSTM),” Jurnal Teknik Informatika dan Sistem Informasi, vol. 8, no. 3, pp. 1570-1572, 2021.
A. Fauzi, “Forecasting Saham Syariah Dengan Menggunakan LSTM,” Jurnal Lembaga Keuangan dan Perbankan, vol. 4, no. 1, pp. 1, 66-68, 2019.
A. S. B. Karno, “Prediksi Data Time Series Saham Bank BRI Dengan Mesin Belajar LSTM (Long ShortTerm Memory),” JIFORTY, vol. 1, no. 1, pp. 1-4, 2020.
P. A. Riyantoko, T. M. Fahruddin, K. M. Hindrayani dan E. M. Safitri, “Analisis Prediksi Harga Saham Sektor Perbankan Menggunakan Algoritma Long-Short Term Memory (LSTM),” Seminar Nasional Informatika, vol. 1, no. 1, pp. 427-428, 2020.
IBM, “Forecasting statistical details,” 3 January 2023. [Online]. Available: https://www.ibm.com/docs/en/cognos-analytics/11.1.0?topic=forecasting-statistical-details. [Diakses 22 September 2023].
D. Kurniasih, "Efisiensi Relatif Estimator Fungsi Kernel Gaussian Terhadap Estimator Polinomial Dalam Peramalan USD Terhadap JPY," Universitas Negeri Semarang, November 2013. [Online]. Available: https://journal.unnes.ac.id/sju/index.php/ujm/article/view/3245/2985. [Accessed 25 Agustus 2023].
J. Schmidt, “What Are Stocks? How Do They Work?,” forbes, 6 July 2023. [Online]. Available: https://www.forbes.com/advisor/investing/what-are-stocks/. [Diakses 22 September 2023].