Forecasting Multivariabel Harga Saham Menggunakan Model LSTM Multi-output
Tahun 2026 · Penulis: Fariha Adila Basha
Faculty of Mathematics and Natural Sciences, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/14552
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Forecasting Multivariabel Harga Saham Menggunakan Model LSTM Multi-output
Prakiraan harga saham adalah masalah penting dalam dunia investasi karena pergerakan harga saham mudah menguap dan dipengaruhi oleh berbagai faktor ekonomi dan sentimen pasar. Oleh karena itu, metode prakiraan mampu menangkap pola nonlinear dan ketergantungan jangka panjang dalam data seri waktu diperlukan. Penelitian ini bertujuan untuk mengembangkan dan membandingkan kinerja dari memori Long-Term-Term-pendek dan multi-output LSTM model dalam perkiraan harga saham, serta menganalisis perbedaan antara pendekatan satu-langkah dan multi-langkah prakiraan. Data yang digunakan dalam penelitian ini adalah data harga saham sejarah untuk PT. Gudang Garam Tbk (GRM.JK) dari Januari 2020 sampai November 2025, diperoleh dari Keuangan Yahoo, dengan variabel Terbuka, Tinggi, Rendah, dan Tutup. Penelitian ini membangun tiga model LSTM: dua model single-output untuk memprediksi harga Open and Close secara terpisah, dan satu model multi-output untuk memprediksi harga Open dan Close secara simultan dengan variabel masukan Tinggi dan Rendah. Semua data mengalami tahap praprosesan termasuk pembersihan data, normalisasi, dan pembuatan data seri waktu dengan 90 hari jendela. Evaluasi model dilakukan menggunakan Error Persempang Meane (MSE) dan Error Percentage Absolte (MAPE), dan dua strategi prakiraan diterapkan: satu langkah dan multi-langkah prakiraan. Hasilnya menunjukkan bahwa model tunggal LSTM yang terbaik untuk memprediksi harga terbuka dengan MAPE dari 1,11%, sementara model LSTM multioutput dilakukan lebih baik dalam meramalkan harga Tutup dengan MAPE 2,98% karena kemampuannya untuk memanfaatkan hubungan antar-harga saham. Perbandingan dari strategi prakiraan menunjukkan bahwa perkiraan tunggal lebih stabil dan akurat untuk cakrawala waktu singkat, sementara ramalan multi-langkah memiliki tingkat kesalahan yang lebih tinggi karena akumulasi kesalahan, tapi lebih baik diwakili kondisi ramalan dunia nyata. Analisis keterandalan menunjukkan bahwa multi-keluaran LSTM model tetap dapat diandalkan hingga 10 hari dengan MAPE 0,99%. Implementasi pada data bulan berikutnya menunjukkan bahwa model tetap cocok untuk digunakan sebagai alat prakiraan harga saham.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,829
Tahun 2026 · Penulis: Dila Ayu Saputri
Prediksi Harga Xau/USD Menggunakan Metode Bidirectional Long Shot-Term Memory (Bilstm)
Gerakan harga emas dalam bentuk pasangan mata uang XAU/USD memiliki volatilitas tinggi karena dipengaruhi oleh dinamika harga emas global dan fluktuasi dalam tingkat tukar dolar AS. Kondisi ini menyebabkan tingkat ketidakpastian yang tinggi dan menyulitkan par
- Cosine 0,827
Tahun 2026 · Penulis: Dewanda Rizky Rachmawati
Pendekatan Transformer dalam Prediksi Data Time Series Bulanan dan Harian (Studi kasus: Inflasi dan Saham)
Seri waktu adalah data yang diatur berdasarkan urutan waktu dan digunakan secara luas dalam berbagai bidang, seperti ekonomi dan keuangan, untuk mendukung pengambilan keputusan. Data inflasi cenderung stabil dan musiman, sementara data harga saham mudah mengua
- Cosine 0,827
Tahun 2026 · Penulis: Wynda Ananda Ika Kharisma
Prediksi Harga Emas Menggunakan Metode Gated Recurrent Unit (GRU)
Harga emas merupakan jenis data deret waktu (time series) yang menunjukkan pola fluktuatif dan dipengaruhi oleh berbagai faktor ekonomi, sehingga prediksi yang akurat menjadi tantangan tersendiri. Oleh karena itu, diperlukan metode yang mampu mempelajari pola