Pengembangan Model Hybrid LSTM-SVM dalam Memprediksi Harga Saham Intel

Jaufari, Decky (2025) Pengembangan Model Hybrid LSTM-SVM dalam Memprediksi Harga Saham Intel. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

[img] PDF
HALAMAN_AWAL.pdf

Download (1MB)
[img] PDF
BAB_I.pdf

Download (284kB)
[img] PDF
BAB_II.pdf

Download (490kB)
[img] PDF
BAB_III.pdf

Download (429kB)
[img] PDF
BAB_IV.pdf
Restricted to Registered users only

Download (1MB)
[img] PDF
BAB_V.pdf

Download (249kB)
[img] PDF
DAFTAR_PUSTAKA.pdf

Download (239kB)
[img] PDF
LAMPIRAN.pdf
Restricted to Registered users only

Download (779kB)

Abstract

Harga saham Intel mengalami fluktuasi yang signifikan akibat berbagai faktor eksternal seperti kondisi ekonomi global, kompetisi di industri semikonduktor, dan sentimen investor yang dinamis. Karakteristik pasar saham yang kompleks dan non linier menyebabkan pendekatan prediksi konvensional menjadi kurang akurat dalam menangkap pola historis. Oleh karena itu, dibutuhkan pendekatan berbasis kecerdasan buatan yang mampu mengolah data sekuensial dan menghasilkan prediksi yang lebih adaptif terhadap dinamika pasar. Penelitian ini mengusulkan pengembangan model Hybrid dengan menggabungkan Long Short-Term Memory (LSTM) dan Support Vector Machine (SVM). LSTM digunakan untuk mengenali pola data time series berdasarkan urutan temporal, sementara SVM bertugas melakukan regresi terhadap fitur yang diekstraksi dari hidden layer LSTM. Proses penelitian mengikuti tahapan CRISP-DM yang mencakup business understanding, data preparation, modeling, dan evaluation. Dataset yang digunakan adalah harga penutupan harian saham Intel dari tahun 1980 hingga 2025 yang diperoleh dari Yahoo Finance. Evaluasi dilakukan menggunakan metrik MAE, RMSE, MAPE, dan R². Hasil penelitian menunjukkan bahwa model Hybrid LSTM-SVM dengan rasio 90% LSTM dan 10% SVM memberikan performa terbaik dengan nilai RMSE sebesar 1.37 dan R² sebesar 0.9813. Namun demikian, dalam pengujian terhadap prediksi harga saham beberapa hari ke depan, model dengan rasio lain seperti 60:40 juga menunjukkan performa prediksi yang kompetitif pada hari-hari tertentu. Temuan ini mengindikasikan bahwa model Hybrid ini tidak hanya akurat secara umum, tetapi juga fleksibel terhadap dinamika prediksi jangka pendek. Penelitian ini berkontribusi pada pengembangan pendekatan prediksi saham berbasis deep learning dan machine learning yang lebih adaptif dan presisi.

Item Type: Thesis (Bachelor Thesis)
Keywords: Hybrid Model, Intel, Long Short Term Memory, Support Vector Machine, Time Series
Subjects: ?? T70 ??
Divisions: Faculty of Engineering & Informatics > Information System
SWORD Depositor: Administrator UMN Library
Depositing User: Administrator UMN Library
Date Deposited: 01 Jul 2025 07:47
Last Modified: 01 Jul 2025 07:47
URI: https://kc.umn.ac.id/id/eprint/37508

Actions (login required)

View Item View Item