Prediksi Harga VanEck Semiconductor ETF (SMH) Menggunakan Long Short-Term Memory

Kimin, Samuel (2026) Prediksi Harga VanEck Semiconductor ETF (SMH) Menggunakan Long Short-Term Memory. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (218kB)
	PDF BAB_II.pdf Download (276kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (257kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (798kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (208kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (212kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (2MB)
	Archive (ZIP) 00000068078_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Perkembangan teknologi kecerdasan buatan dan meningkatnya permintaan global terhadap komponen semikonduktor mendorong pertumbuhan Exchange Traded Fund (ETF) sektor semikonduktor. VanEck Semiconductor ETF (SMH) memiliki pergerakan harga yang volatil dan non-linear sehingga sulit diprediksi menggunakan metode konvensional. Penelitian ini bertujuan memprediksi return harga SMH menggunakan model Long Short-Term Memory (LSTM) serta mengevaluasi performanya menggunakan Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Data yang digunakan merupakan data historis harian SMH dari Yahoo Finance pada periode 8 Juni 2021 hingga 17 April 2026 dengan total 1.221 observasi. Model menggunakan pendekatan multivariat dengan enam fitur, yaitu Open, High, Low, Close, Volume, dan Return. Eksperimen dilakukan menggunakan sliding window 30, 60, dan 90 hari serta rasio pembagian data kronologis 70:30, 80:20, dan 90:10. Hasil eksperimen window menunjukkan bahwa window 90 hari memberikan performa terbaik dengan MAE sebesar 6,0532 USD dan RMSE sebesar 7,9157 USD. Rasio 80:20 digunakan sebagai evaluasi utama karena memberikan keseimbangan antara data training dan testing. Model utama menggunakan stacked LSTM dengan 128 dan 64 unit, dropout 0,2, optimizer Adam, serta loss function MSE. Pada 245 sampel testing, model menghasilkan MAE sebesar 4,6943 USD, RMSE sebesar 6,4446 USD, dan MAPE sebesar 1,3814%. Return prediksi kemudian dikonversi menjadi harga prediksi menggunakan harga penutupan hari sebelumnya.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Kimin, Samuel (00000068078)
Contributors:	Suryadibrata, Alethea (0322099201)
Keywords:	Deep Learning, ETF Semikonduktor, Long Short-Term Memory, Prediksi Harga, VanEck Semiconductor
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	25 Jul 2026 07:59
URI:	https://kc.umn.ac.id/id/eprint/48119

Actions (login required)

View Item