Anisah, Nur (2024) PERBANDINGAN HASIL PREDIKSI HARGA SAHAM MENGGUNAKAN ALGORITMA LONG SHORT TERM MEMORY DENGAN ALGORITMA TEMPORAL CONVOLUTIONAL NETWORK. S1 thesis, Universitas Malikussaleh.

	Text Nur Anisah_200170015_Cover.pdf Download (33kB)
	Text Nur Anisah_200170015_Abstrak.pdf Download (12kB)
	Text Nur Anisah_200170015_Bab 1.pdf Download (92kB)
	Text Nur Anisah_200170015_Daftar Pustaka.pdf Download (81kB)
	Text Nur Anisah_200170015_Perbandingan Hasil Prediksi Harga Saham menggunakan Algoritma Long Short Term Memory dengan Algoritma Temporal Convolutional Network.pdf Restricted to Registered users only Download (4MB)

Abstract

Long Short Term Memory (LSTM) adalah jenis algoritma jaringan saraf rekuren yang dirancang khusus untuk memahami dan memprediksi pola data sequential dengan mempertahankan memori jangka panjang yang kompleks. Sementara itu, Temporal Convolutional Network (TCN) merupakan jenis jaringan saraf konvolusional yang efisien dalam mengekstraksi fitur dari data time series dengan menggunakan operasi konvolusi untuk menangkap pola temporal dalam data. Penelitian ini bertujuan untuk membandingkan hasil prediksi harga saham menggunakan dua algoritma yang berbeda, yaitu LSTM dan TCN pada 16 data saham perusahaan. Model LSTM dan TCN dibangun dengan menggunakan bahasa pemograman Python dan framework Django. Proses pembagian data dan evaluasi model menggunakan Time Series Split dengan 5 fold, menggunakan metrik evaluasi Mean Average Error (MAE) dan Mean Average Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa LSTM memperoleh hasil evaluasi yang bervariasi dengan rata-rata nilai MAE 0.0148 dan MAPE 1.728%. Sementara TCN dengan rata-rata MAE 0.0140, serta MAPE 1.6095%. Algoritma TCN secara konsisten memberikan hasil prediksi yang lebih baik daripada algoritma LSTM untuk sebagian besar saham yang diamati. Di mana algoritma TCN unggul dan mampu memprediksi lebih baik daripada LSTM pada 11 saham, sementara itu algoritma LSTM unggul dibandingkan TCN dalam 5 saham.

Item Type:	Thesis (S1)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 55201 - Jurusan Teknik Informatika
Depositing User:	Nur Anisah NUR ANISAH
Date Deposited:	15 Jul 2024 05:07
Last Modified:	15 Jul 2024 05:07
URI:	https://rama.unimal.ac.id/id/eprint/3296

Actions (login required)

View Item