Perbandingan Performa Algoritma LSTM, CNN-BiSLSTM dan CNN-BiLSTM-ECA dalam Memprediksi Harga Saham

Krisnanto, Obie (2025) Perbandingan Performa Algoritma LSTM, CNN-BiSLSTM dan CNN-BiLSTM-ECA dalam Memprediksi Harga Saham. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

[img] PDF
HALAMAN_AWAL.pdf

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

Download (367kB)
[img] PDF
BAB_II.pdf

Download (533kB)
[img] PDF
BAB_III.pdf

Download (365kB)
[img] PDF
BAB_IV.pdf
Restricted to Registered users only

Download (6MB)
[img] PDF
BAB_V.pdf

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

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

Download (392kB)

Abstract

Perkembangan teknologi di bidang keuangan mendorong lahirnya berbagai metode prediksi harga saham berbasis pembelajaran mesin dan deep learning. Salah satu tantangan utama dalam prediksi harga saham adalah tingginya volatilitas dan kompleksitas pola pergerakan harga, baik pada saham individual maupun indeks saham. Penelitian-penelitian terdahulu menunjukkan bahwa model hybrid seperti CNN-BiSLSTM dan CNN-BiLSTM-ECA seringkali mampu memberikan performa unggul pada data indeks di pasar tertentu, namun belum ada pembanding yang konsisten pada saham dan indeks utama Amerika Serikat. Penelitian ini membandingkan performa tiga algoritma deep learning, yaitu Long Short-Term Memory (LSTM), CNN-BiSLSTM, dan CNN-BiLSTM-ECA, dalam memprediksi harga saham AAPL, MSFT, GOOG, serta indeks S&P 500, Dow Jones Industrial, dan NASDAQ Composite. Seluruh model dilatih menggunakan data historis harian yang diambil dari Yahoo Finance dan diujikan melalui skenario evaluasi menggunakan metrik RMSE, MSE, MAPE, dan MAE. Proses pemodelan juga melibatkan teknik hyperparameter tuning berbasis Bayesian Optimization dan validasi model menggunakan data uji serta prediksi harga 30 hari ke depan untuk mengukur kemampuan forecasting setiap algoritma. Hasil penelitian menunjukkan bahwa model LSTM secara konsisten memberikan performa terbaik pada hampir semua metrik dan seluruh objek yang diuji, baik saham individual maupun indeks. Model CNN-BiSLSTM dan CNN-BiLSTM-ECA menunjukkan performa yang lebih rendah dan cenderung mengalami overfitting, terutama pada data dengan volatilitas tinggi. Kesimpulan dari penelitian ini menegaskan bahwa LSTM merupakan algoritma paling efektif dan andal dalam memprediksi harga saham dan indeks saham Amerika Serikat, serta mampu mengatasi permasalahan volatilitas dan generalisasi yang tidak dapat diatasi secara optimal oleh dua model hybrid yang dibandingkan.

Item Type: Thesis (Bachelor Thesis)
Keywords: deep learning, LSTM, prediksi, saham
Subjects: ?? T70 ??
Divisions: Faculty of Engineering & Informatics > Information System
SWORD Depositor: Administrator UMN Library
Depositing User: Administrator UMN Library
Date Deposited: 02 Aug 2025 11:02
Last Modified: 02 Aug 2025 11:02
URI: https://kc.umn.ac.id/id/eprint/39714

Actions (login required)

View Item View Item