Penggunaan Graph Attention Network untuk Memprediksi Harga Saham MNC Group

Ongky Octavianus Ong, David (2025) Penggunaan Graph Attention Network untuk Memprediksi Harga Saham MNC Group. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (265kB)
	PDF BAB_II.pdf Download (508kB)
	PDF BAB_III.pdf Download (435kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_V.pdf Download (230kB)
	PDF DAFTAR_PUSTAKA.pdf Download (225kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (676kB)

Abstract

Pertumbuhan investor saham di Indonesia yang semakin meningkat mendorong kebutuhan akan metode prediksi harga saham yang lebih akurat, terutama dalam konteks hubungan antar perusahaan dalam satu grup. Penelitian ini mengusulkan penggunaan GAT (Graph Attention network) untuk memprediksi harga saham MNC Group, yang terdiri dari beberapa saham dengan hubungan sektoral dan kepemilikan yang kompleks. Data saham dikumpulkan dari situs investing.com dengan interval harian. Graf dalam penelitian ini menggunakan dua pendekatan, yaitu MST (Minimum Spanning Tree), dan relasi berbasis pengetahuan (kepemilikan saham, sektor). Untuk mengetahui model GAT digunakan metrik MAE dan MAPE, serta dibandingkan dengan model CNN+LSTM. Hasil pengujian menunjukkan bahwa penggunaan graf dapat mempengaruhi prediksi nilai yang dihasilkan oleh model GAT. Kemudian dibandingkan dengan model CNN+LSTM, model CNN+LSTM lebih unggul dibandingkan model GAT. Melalui uji statistik paired t-test didapatkan nilai p sebesar 0.0142, menunjukkan perbedaan signifikan antar performa kedua model. Namun meskipun performa keseluruh model cukup signifikan, model GAT tetap memberikan prediksi yang setara atau lebih unggul pada beberapa saham. Kesimpulannya, model GAT berpotensi menjadi alternatif kuat dalam memprediksi harga saham, terutama bila struktur graf mencerminkan relasi yang relevan.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Graph Attention Network, Graf, Relasi, MNC Group, CNN- LSTM
Subjects:	?? TK7885-7895 ??
Divisions:	Faculty of Engineering & Informatics > Computer Engineering
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	05 Jul 2025 11:30
Last Modified:	05 Jul 2025 11:30
URI:	https://kc.umn.ac.id/id/eprint/37811

Actions (login required)

View Item