PREDIKSI PERGERAKAN HARGA SAHAM DENGAN METODE LONG SHORT-TERM MEMORY (LSTM)

Vincent Arlen Santoso (2022) PREDIKSI PERGERAKAN HARGA SAHAM DENGAN METODE LONG SHORT-TERM MEMORY (LSTM). Final Year Projects (S1) thesis, Universitas Kristen Duta Wacana.

	Text (Skripsi Informatika) 71170143_bab1_bab5_daftarpustaka.pdf Download (2MB)
	Text (Skripsi Informatika) 71170143_bab2 sd bab4_lampiran.pdf Restricted to Registered users only Download (7MB) | Request a copy

Abstract

Saham merupakan salah satu instrument investasi yang paling diminati oleh banyak investor dari berbagai kalangan karena dapat memberikan keuntungan yang cukup tinggi. Setiap tahunnya jumlah investor di Indonesia semakin meningkat tiap tahunnya, menurut data yang diperoleh dari PT Kustodian Sentral Efek Indonesia (KSEI) jumlah investor pasar modal di Indonesia pada tahun 2020 mengalami peningkatan sebesar 22 persen dari tahun 2019 lalu, menjadi 3,02 juta investor (Tari, 2020). Dikarenakan adanya faktor – faktor yang dapat mempengaruhi pergerakan harga saham yang cukup banyak, sering kali trader saham mengalami kesulitan dalam melihat pergerakan harga saham terutama untuk trader – trader yang masih pemula atau amatir. Sehingga beberapa orang sudah melakukan penelitian untuk melakukan forecasting atau prediksi pergerakan harga saham, prediksi dapat dilakukan dengan tanpa bantuan teknologi maupun dapat juga dipermudah dengan bantuan teknologi seperti penerapan Artificial Intelligence pada proses prediksi. Salah Satu Metode yang dapat digunakan untuk melakukan prediksi pergerakan harga saham adalah Long-Short Term Memory (LSTM). LSTM sendiri adalah salah satu varian dari RNN. Perbedaannya adalah RNN sulit untuk menyelesaikan masalah yang membutuhkan pembelajaran dependensi temporal jangka panjang dikarenakan gradien yang hilang seiring berjalannya waktu. Sedangkan LSTM menggunakan unit khusus selain unit standar sehingga unit LSTM memiliki sel memori yang mampu menyimpan informasi dalam memori untuk jangka waktu yang lama. (Junyoung, Caglar, KyungHyun, & Yoshua, 2014). Penulis akan melakukan penelitian pada metode ini dengan dataset yang akan digunakan adalah data historis harian dari perusahaan yang termasuk ke dalam indeks LQ45 pada periode Februari 2020 – Juli 2020 dan dalam dalam rentang waktu 1 januari 2015 – 31 desember 2020. Penelitian akan dilakukan dengan menggunakan dua Skenario pengujian dimana Skenario pengujian pertama membagi data dengan ratio 70:30 untuk keseluruhan data dan Skenario pengujian kedua dengan membagi data dengan ratio yang sama tetapi diambil per tahun untuk dijumlahkan diakhir. asil pengujian didapatkan bahwa Skenario pengujian pertama mendapatkan nilai RMSPE yang lebih rendah sebesar kurang lebih 0.28, dimana Skenario pengujian pertama mendapatkan hasil RMSPE sebesar 2.41 dan Skenario pengujian kedua mendapatkan nilai RMSPE sebesar 2.69.

Actions (login required)

View Item