CINDI, RAHAYU (2023) IMPLEMENTASI ALGORITMA LONG SHORT TERM MEMORY (LSTM) UNTUK PREDIKSI PERGERAKAN HARGA SAHAM LQ45 (STUDI KASUS : 2017-2022). S1 thesis, Universitas Malikussaleh.

	Text SKRIPSI YG UDAH DI TTD FAKULTAS CINDI RAHAYU-1.pdf Download (29kB)
	Text SKRIPSI YG UDAH DI TTD FAKULTAS CINDI RAHAYU-9-10.pdf Download (9kB)
	Text SKRIPSI YG UDAH DI TTD FAKULTAS CINDI RAHAYU-15-18.pdf Download (66kB)
	Text SKRIPSI YG UDAH DI TTD FAKULTAS CINDI RAHAYU.pdf Restricted to Registered users only Download (3MB)

Abstract

ABSTRAK Penelitian ini bertujuan untuk mengimplementasikan algoritma Long Short Term Memory (LSTM) dalam prediksi pergerakan harga saham LQ45. Dalam penelitian ini, data historis harga saham BBCA digunakan sebagai contoh implementasi metode LSTM. Proses pengembangan aplikasi prediksi harga saham dimulai dengan pengumpulan data historis, yang kemudian melalui tahap preprocessing untuk dinormalisasi. Data tersebut dibagi menjadi data pelatihan dan data pengujian, kemudian diubah menjadi urutan yang sesuai untuk digunakan dalam model LSTM. Model LSTM dilatih menggunakan algoritma backpropagation through time dan diuji menggunakan data pengujian. Hasil prediksi model LSTM dibandingkan dengan label sebenarnya menggunakan metrik RMSE dan MAPE. Setelah menghasilkan prediksi yang memuaskan, hasil prediksi tersebut disimpan dalam database dan disajikan kepada pengguna dalam bentuk grafik dan tabel data perbandingan. Hasil implementasi LSTM pada penelitian ini menunjukkan bahwa prediksi menggunakan metode LSTM memiliki persentase kesalahan di bawah 6% dengan MAPE sebesar 5,4772% dan RMSE sebesar 6,658%. Selain itu, implementasi LSTM pada aplikasi yang dikembangkan menggunakan data historis terbaru juga menghasilkan persentase kesalahan yang rendah, dengan MAPE antara 3,7763% hingga 5,8048% untuk berbagai fitur harga saham. Kesimpulannya, metode LSTM dapat digunakan untuk prediksi pergerakan harga saham dengan akurasi yang memadai, memberikan informasi berharga untuk pengambilan keputusan investasi. Kata Kunci : LSTM, Saham, Prediksi, Data Historis

Item Type:	Thesis (S1)
Subjects:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 55201 - Jurusan Teknik Informatika
Depositing User:	Khairiati Khairiati
Date Deposited:	22 Nov 2024 07:45
Last Modified:	22 Nov 2024 07:45
URI:	https://rama.unimal.ac.id/id/eprint/7703

Actions (login required)

View Item