PERBANDINGAN MODEL GATED RECURRENT UNIT DAN LONG SHORT-TERM MEMORY DALAM PREDIKSI HARGA SAHAM

ABSTRAK

PERBANDINGAN MODEL GATED RECURRENT UNIT DAN LONG SHORT-TERM MEMORY DALAM PREDIKSI HARGA SAHAM
Oleh:
Sofiana Ardi Lestari
210101038
Mengikuti perkembangan ilmu perekonomian yang semakin meluas, pentingnya investasi di pasar modal kini semakin disadari oleh masyarakat. Ketidakstabilan dan risiko yang dialami bagi para investor menjadikan pertimbangan menyeluruh akan strategi dalam menghadapi pergerakan harga saham yang sulit ditebak. Penelitian ini bertujuan menganalisis harga saham dengan membandingkan model terbaik pada PT. Telkom Indonesia Tbk. menggunakan algoritma Gated Recurrent Unit (GRU) dan Long Short-Term Memory (LSTM) dengan pendekatan CRISP-DM hingga implementasi model prediksinya ke dalam sistem web..
Dataset saham diambil langsung dari API IDX menggunakan scraper. Penelitian ini menggunakan JupyterLab sebagai tools mengeksekusi proses pengembangan model. Selanjutnya model dibangun menggunakan algoritma Gated Recurrent Unit (GRU) dan Long Short-Term Memory (LSTM). Evaluasi performa berdasarkan nilai metric Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan R2. Model yang telah dibangun kemudian diimplementasikan ke dalam sistem web yang dapat digunakan untuk memprediksi harga saham TLKM berdasarkan periode tanggal sample yang ingin diuji,
Hasil penelitian menunjukkan bahwa model LSTM memiliki tingkat kesalahan minimal, dengan RMSE sebesar 57,41, MAE sebesar 42.76, R2 sebesar 0.95, dan MAPE sebesar 0.02, yang menandakan model LSTM memberikan ketepatan prediksi yang lebih baik dibandingkan dengan model GRU. Berdasarkan hasil pengujian, sistem web algopredict dapat menjadi alat bantu bagi investor dalam mengambil keputusan investasi.

Link Artikel: https://senatib.udb.ac.id/