Perbandingan Kinerja Model Deep Learning untuk Prediksi Harga Saham Subsektor Minyak dan Gas

Satria Zachradhi, Aldiansyah (2025) Perbandingan Kinerja Model Deep Learning untuk Prediksi Harga Saham Subsektor Minyak dan Gas. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (504kB)
	PDF BAB_I.pdf Download (363kB)
	PDF BAB_II.pdf Download (552kB)
	PDF BAB_III.pdf Download (362kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Download (198kB)
	PDF DAFTAR_PUSTAKA.pdf Download (253kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (538kB)

Abstract

Pergerakan harga saham subsektor minyak dan gas di Indonesia sangat dipengaruhi oleh volatilitas harga minyak global, fluktuasi nilai tukar rupiah, dan kebijakan subsidi energi. Sektor ini memegang peran krusial dalam pendapatan nasional dan industri, sehingga memerlukan prediksi yang akurat untuk membantu investor dan pembuat kebijakan. PT Perusahaan Gas Negara Tbk (PGAS), PT Medco Energi Internasional Tbk (MEDC), PT AKR Corporindo Tbk (AKRA), dan PT Rukun Raharja Tbk (RAJA) dipilih sebagai objek penelitian karena kapitalisasi pasarnya dan sensitivitas terhadap risiko pasar. Penelitian ini menggunakan kerangka CRISP-DM untuk menstrukturkan proses, dimulai dari pemahaman bisnis hingga deployment. Data historis harian periode 2014­2024 diambil dari situs Investing.com untuk empat emiten subsektor migas. Tiga algoritma deep learning diterapkan: Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), dan 1- Dimensional Convolutional Neural Network (1D-CNN). Model dilatih dengan window sekuensial 60 hari untuk memprediksi harga penutupan hari ke-61, kemudian dievaluasi menggunakan metrik RMSE, MAE, MAPE, dan R². Hasil penelitian menunjukkan bahwa model LSTM memberikan kinerja terbaik pada tiga dari empat emiten (PGAS, MEDC, RAJA) dengan R² di atas 0,93 dan MAPE terendah 1,28%. Untuk emiten AKRA, GRU menunjukkan akurasi tertinggi (R²=0,9449; MAPE=1,53%), sedangkan 1D-CNN menempati posisi kedua. Studi ini merekomendasikan LSTM sebagai "all- rounder" dan menyarankan eksplorasi model hybrid serta penambahan fitur eksternal untuk meningkatkan akurasi pada emiten dengan volatilitas tinggi.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Satria Zachradhi, Aldiansyah (00000061028)
Contributors:	Irmawati, Irmawati
Keywords:	Convolutional Neural Network, Gated Recurrent Unit, Long Short-Term Memory, Prediksi Harga Saham, Subsektor Minyak dan Gas
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	10 Sep 2025 05:33
URI:	https://kc.umn.ac.id/id/eprint/40401

Actions (login required)

View Item