Analisis Perbandingan dan Optimasi Model LSTM, GRU, dan RNN dalam Memprediksi Harga Saham Perbankan di Indonesia

Denis Janitra, Vinsensius (2025) Analisis Perbandingan dan Optimasi Model LSTM, GRU, dan RNN dalam Memprediksi Harga Saham Perbankan di Indonesia. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (692kB)
	PDF BAB_I.pdf Download (318kB)
	PDF BAB_II.pdf Download (756kB)
	PDF BAB_III.pdf Download (492kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (211kB)
	PDF DAFTAR_PUSTAKA.pdf Download (301kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (706kB)

Abstract

Pasar saham Indonesia, khususnya di sektor perbankan, memiliki peran penting dalam mendukung pertumbuhan ekonomi nasional. Namun, volatilitas harga saham yang dipengaruhi oleh berbagai faktor internal maupun eksternal menjadikan prediksi harga saham sebagai tantangan tersendiri. Saham perbankan seperti BBCA, BBRI, dan BMRI menjadi indikator utama dalam pasar modal, sehingga kemampuan untuk memprediksi harga saham secara akurat sangat penting bagi para investor. Penelitian ini bertujuan membandingkan dan mengoptimasi kinerja model deep learning Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), dan Recurrent Neural Network (RNN) untuk prediksi harga saham perbankan tersebut. Metodologi penelitian mengacu pada kerangka kerja CRISP-DM, meliputi tahapan mulai dari pemahaman bisnis hingga evaluasi model. Data historis harga penutupan saham dari tahun 2005 hingga 2025 dioptimasi menggunakan Optuna dengan fokus pada hyperparameter jumlah unit, dropout rate, dan learning rate. Hasil evaluasi menunjukkan bahwa ketiga model yang dioptimasi memiliki performa sangat baik. Model GRU secara konsisten memberikan kinerja unggul, khususnya pada saham BBCA dengan mencapai nilai MAE 80.48, RMSE 108.43, MAPE 1.02%, dan R² 0.9936. Penelitian ini juga menyertakan forecasting 30 hari ke depan, yang menunjukkan kemampuan model menangkap tren umum meskipun dengan presisi absolut yang lebih rendah dibandingkan data uji historis. Kesimpulannya, optimasi hyperparameter berhasil meningkatkan kinerja model, dengan GRU menjadi pilihan paling efektif secara keseluruhan untuk kasus studi ini.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Denis Janitra, Vinsensius (00000061040)
Contributors:	Irmawati, Irmawati
Keywords:	Deep learning, GRU, LSTM, Optuna, Prediksi harga saham, RNN
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 05:34
URI:	https://kc.umn.ac.id/id/eprint/40404

Actions (login required)

View Item