Perbandingan Performa Algoritma xLSTM dan LSTM dalam Memprediksi Saham Bank Digital

Jovani, Richard (2025) Perbandingan Performa Algoritma xLSTM dan LSTM dalam Memprediksi Saham Bank Digital. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (390kB)
	PDF BAB_II.pdf Download (623kB)
	PDF BAB_III.pdf Download (494kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Download (261kB)
	PDF DAFTAR_PUSTAKA.pdf Download (246kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (383kB)
	Archive (ZIP) CREATION_FILE.zip Download (4MB)

Abstract

Abstrak Pertumbuhan pesat pada sektor perbankan digital telah menciptakan permintaan yang tinggi akan model prediksi harga saham yang baik untuk membantu para investor dan analis keuangan dalam menavigasi pasar yang kompleks. Prediksi yang tepat sangat penting untuk pengambilan keputusan investasi, manajemen risiko, dan perencanaan keuangan yang efektif. Penelitian ini secara spesifik membahas perbandingan performa antara dua algoritma deep learning, yaitu Long Short-Term Memory (LSTM) yang sudah banyak digunakan dan varian barunya, Extended Long Short-Term Memory (xLSTM) yang merupakan arsitektur modifikasi dan lanjutan dari LSTM yang dikembangkan dengan menggabungkan dua varian LSTM, yaitu sLSTM (Scalar LSTM) dan mLSTM (Matrix LSTM). dalam memprediksi harga saham bank digital. Penelitian ini berfokus pada saham PT Bank JAGO Tbk (ARTO), PT Allo Bank Indonesia Tbk (BBHI), dan PT Bank Neo Commerce Tbk (BBYB) menggunakan data historis dari 1 Januari 2019 hingga 17 April 2025. Penelitian ini mengimplementasikan dan mengevaluasi kedua algoritma menggunakan metodologi Knowledge Discovery in Database (KDD). Model dilatih dengan 80% data historis dan data uji 20% untuk memprediksi harga penutupan saham variabel "Close" untuk lima hari ke depan. Performa kedua model diukur dan dibandingkan menggunakan metrik evaluasi standar, yaitu RMSE, MSE, MAE, MAPE, dan R-Square. Analisis dilakukan untuk mengetahui algoritma mana yang memberikan performa prediksi yang baik dan memiliki tingkat kesalahan (error rate) yang lebih rendah dalam prediksi saham bank digital. Hasil penelitian secara konsisten menunjukkan bahwa algoritma xLSTM memiliki performa yang lebih unggul dibandingkan dengan LSTM di semua dataset yang diuji, terutama dalam hal RMSE dan MAPE. Secara spesifik, xLSTM menghasilkan nilai RMSE dan MAPE yang lebih rendah, yang mengindikasikan bahwa model ini tidak hanya lebih akurat secara keseluruhan, tetapi juga lebih sensitif dalam meminimalkan kesalahan prediksi yang besar. Sebagai contoh, pada saham PT Bank Jago (ARTO), xLSTM mendapati nilai RMSE 130.25 dan MAPE 2.78%, pada saham PT Allo Bank Indonesia (BBHI), xLSTM mencapai nilai RMSE 33.41 dan MAPE 2.78%, jauh lebih baik dibandingkan LSTM dengan RMSE 72.87 dan MAPE 7.74%, pada saham PT Bank Neo Commerce (BBYB), xLSTM mendapati nilai RMSE 14.12 dan MAPE 4.18%. Kesimpulannya, xLSTM terbukti menjadi pilihan yang lebih baik untuk memprediksi harga saham bank digital, sehingga sangat disarankan untuk digunakan oleh investor dan analis dalam membuat keputusan investasi yang berbasis data.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Jovani, Richard (00000061668)
Contributors:	Sunardi Oetama, Raymond
Keywords:	Prediksi Saham, Long Short-Term Memory (LSTM), Extended Long Short-Term Memory (xLSTM), Bank Digital, Deep Learning
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 05:41
URI:	https://kc.umn.ac.id/id/eprint/40450

Actions (login required)

View Item