Peramalan Harga Saham BCA Menggunakan Long Short Term Memory (LSTM)

Abstrak

Penelitian ini berfokus pada pengembangan dan evaluasi model Long Short-Term Memory (LSTM) untuk prediksi saham BCA. Model LSTM dipilih karena kemampuannya dalam menangani data deret waktu yang kompleks dan menangkap pola temporal yang mendasari. Dalam penelitian ini, model LSTM dilatih dan diuji menggunakan dataset saham BCA yang bersumber dari Yahoo Finance. Hasil evaluasi menunjukkan bahwa model LSTM memiliki performa prediksi yang sangat baik dengan Mean Absolute Percentage Error (MAPE) sebesar 1.1244905% dan Root Mean Squared Error (RMSE) sebesar 109.78883. Nilai MAPE yang rendah menunjukkan bahwa model ini dapat memberikan prediksi dengan kesalahan rata-rata yang sangat kecil, yaitu sekitar 1.12% dari nilai aktual. Nilai RMSE memberikan gambaran tentang tingkat kesalahan absolut prediksi, yang dalam konteks skala data yang digunakan, menunjukkan kesesuaian yang baik antara nilai prediksi dan nilai aktual. Kesimpulannya, model LSTM yang dikembangkan menunjukkan potensi besar untuk digunakan dalam prediksi harga saham. Model ini dapat diandalkan untuk memberikan prediksi yang akurat dan membantu dalam pengambilan keputusan berbasis data. Penelitian lebih lanjut direkomendasikan untuk mengoptimalkan model ini melalui teknik-teknik seperti tuning hiperparameter dan penggabungan dengan model-model lain untuk meningkatkan akurasi prediksi lebih lanjut. Selain itu, penerapan model pada berbagai jenis data dan skenario yang berbeda akan memperluas generalisasi dan aplikasi dari model LSTM yang dikembangkan.