PREDIKSI HARGA SAHAM MENGGUNAKAN KOMBINASI ALGORITMA LSTM DENGAN GRU PADA SAHAM TERINDEKS LQ45

AZIZ, ALFI (2024) PREDIKSI HARGA SAHAM MENGGUNAKAN KOMBINASI ALGORITMA LSTM DENGAN GRU PADA SAHAM TERINDEKS LQ45. S1 thesis, Universitas Mercu Buana Jakarta.

Preview	Text (HAL COVER) 01 Cover.pdf Download (536kB) | Preview
Preview	Text (ABSTRAK) 02 Abstrak.pdf Download (146kB) | Preview
	Text (BAB I) 03 Bab 1.pdf Restricted to Registered users only Download (142kB)
	Text (BAB II) 04 Bab 2.pdf Restricted to Registered users only Download (323kB)
	Text (BAB III) 05 Bab 3.pdf Restricted to Registered users only Download (512kB)
	Text (BAB IV) 06 Bab 4.pdf Restricted to Registered users only Download (102kB)
	Text (DAFTAR PUSTAKA) 07 Daftar Pustaka.pdf Restricted to Registered users only Download (154kB)
	Text (LAMPIRAN) 08 Lampiran.pdf Restricted to Registered users only Download (777kB)

Abstract

Stock investment is a popular choice due to its high profit potential, but stock price movements influenced by various factors make predictions challenging. This study combines LSTM and GRU algorithms in an LSTM-GRU-LSTM-GRU configuration to predict the stock prices of five companies from the LQ45 index (ADRO, ANTM, ESSA, PGAS, PTBA) using daily closing prices and transaction volumes. The model's performance was evaluated using different dataset splits (70:30, 80:20, 90:10) and epoch parameters (10, 20, 30, 40, 50), measured using RMSE and MAPE metrics. The results show that the combination of LSTM and GRU model provides reasonably accurate predictions with certain dataset compositions and epoch settings. For ADRO, the best combination was 90:10 with 30 epochs (RMSE 0.0183, MAPE 2.3619%); for ANTM, 90:10 with 30 epochs (RMSE 0.0110, MAPE 1.5968%); for ESSA, 80:20 with 40 epochs (RMSE 0.0103, MAPE 3.7750%); for PGAS, 90:10 with 40 epochs (RMSE 0.0046, MAPE 2.5603%); and for PTBA, 70:30 with 50 epochs (RMSE 0.0066, MAPE 2.7489%). The model shows a good ability to capture stock price trends, despite some significant deviations, particularly in PTBA and ADRO stocks. These findings affirm that the combination of LSTM and GRU can enhance stock price prediction accuracy, with further improvements possible through model parameter adjustments to reduce deviations. Kata Kunci : Stock Price Prediction, LSTM, GRU Investasi saham merupakan pilihan populer karena potensi keuntungannya yang tinggi, namun pergerakan harga saham yang dipengaruhi oleh berbagai faktor membuat prediksi menjadi sulit. Penelitian ini menggabungkan algoritma LSTM dan GRU dengan susunan layer LSTM-GRU-LSTM-GRU untuk memprediksi harga saham lima perusahaan dari indeks LQ45 (ADRO, ANTM, ESSA, PGAS, PTBA) menggunakan harga penutupan harian dan volume transaksi. Kinerja model dievaluasi menggunakan pemisahan dataset yang berbeda (70:30, 80:20, 90:10) dan parameter epoch (10, 20, 30, 40, 50), dan dievaluasi menggunakan metrik RMSE dan MAPE. Hasil penelitian menunjukkan bahwa kombinasi model LSTM dan GRU memberikan prediksi yang cukup akurat dengan komposisi dataset dan pengaturan epoch tertentu. Untuk ADRO, kombinasi terbaik adalah 90:10 dengan epoch 30 (RMSE 0,0183, MAPE 2,3619%), untuk ANTM, 90:10 dengan epoch 30 (RMSE 0,0110, MAPE 1,5968%), untuk ESSA, 80:20 dengan epoch 40 (RMSE 0,0103, MAPE 3,7750%), untuk PGAS, 90:10 dengan epoch 40 (RMSE 0,0046, MAPE 2,5603%), dan untuk PTBA, 70:30 dengan epoch 50 (RMSE 0,0066, MAPE 2,7489%). Model ini menunjukkan kemampuan yang baik untuk menangkap tren harga saham, meskipun ada beberapa penyimpangan yang signifikan, terutama pada saham PTBA dan ADRO. Temuan ini menegaskan bahwa kombinasi LSTM dan GRU dapat meningkatkan akurasi prediksi harga saham, dengan perbaikan lebih lanjut melalui penyesuaian parameter model untuk mengurangi penyimpangan. Kata Kunci : Prediksi Harga Saham, LSTM, GRU

Actions (login required)

View Item