Studi Perbandingan SVR dan LSTM dalam Prediksi Harga IHSG

Andrew Rahardjo, Christopher (2026) Studi Perbandingan SVR dan LSTM dalam Prediksi Harga IHSG. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (179kB)
	PDF BAB_II.pdf Download (215kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (295kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (644kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (175kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (178kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (445kB)
	Archive (ZIP) 00000066460_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Pergerakan Indeks Harga Saham Gabungan (IHSG) yang fluktuatif menjadikan prediksi harga saham penting untuk mendukung pengambilan keputusan investasi dan analisis risiko pasar modal. Penelitian ini bertujuan membandingkan performa metode Machine Learning dan Deep Learning, yaitu Support Vector Regression (SVR) dan Long Short-Term Memory (LSTM), dalam memprediksi harga penutupan IHSG. Data yang digunakan merupakan data historis IHSG periode 2020­2024 yang diperoleh dari Yahoo Finance dengan 1.197 observasi. Fitur yang digunakan meliputi Open, High, Low, Close, Moving Average 10 hari (MA10), dan Relative Strength Index 14 hari (RSI14). Model SVR dioptimasi menggunakan GridSearchCV, sedangkan LSTM menggunakan Keras Tuner. Evaluasi dilakukan menggunakan RMSE, MAE, MAPE, dan R2 dengan variasi look back 30, 60, dan 90 hari. Hasil penelitian menunjukkan bahwa SVR memberikan performa terbaik pada look back 30 hari dengan RMSE 66,10, MAPE 0,73%, dan R2 sebesar 0,9173. Sementara itu, performa terbaik LSTM diperoleh pada look back 60 hari dengan RMSE 96,76, MAPE 1,06%, dan R2 sebesar 0,8227. Secara keseluruhan, SVR menghasilkan akurasi yang lebih tinggi dibandingkan LSTM pada seluruh skenario pengujian. Penelitian ini menyimpulkan bahwa pada dataset IHSG dengan jumlah data yang relatif terbatas, SVR lebih efektif dibandingkan LSTM dalam memprediksi harga penutupan IHSG. Selain itu, panjang look back terbukti memengaruhi performa kedua model secara berbeda sesuai karakteristik masing-masing metode.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Andrew Rahardjo, Christopher (00000066460)
Contributors:	Wahjudi, Januar (0330017201)
Keywords:	Deep Learning, IHSG, LSTM, Machine Learning, Support Vector Regression. xi Perbandingan SVR LSTM..., Christopher Andrew Rahardjo, Universitas Multimedia Nusantara
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	27 Jul 2026 07:58
URI:	https://kc.umn.ac.id/id/eprint/48203

Actions (login required)

View Item