MEMPREDIKSIKAN HARGA SAHAM BANK RAKYAT INDONESIA (PERSERO) TBK MENGGUNAKAN METODE BIDIRECTIONAL LONG SHORT TERM MEMORY (BI-LSTM)

Rahma Darja; Irwan; Muh. Irwan

doi:10.24252/instek.v10i2.57438

Authors

Rahma Darja UIN Alauddin Makassar
Irwan UIN Alauddin Makassar
Muh. Irwan UIN Alauddin Makassar

DOI:

https://doi.org/10.24252/instek.v10i2.57438

Keywords:

Prediksi, High price, Bi-LSTM, Saham, BBRI

Abstract

Pasar modal memegang peranan strategis sebagai indikator stabilitas ekonomi suatu negara, di mana saham berfungsi sebagai instrumen vital untuk pertukaran modal yang memengaruhi berbagai sektor keuangan. Mengingat sifat harga saham yang fluktuatif dan non-linear, prediksi yang akurat menjadi sangat krusial bagi investor untuk meminimalisir risiko kerugian. Penelitian ini bertujuan untuk memprediksi harga saham tertinggi (high price) pada PT Bank Rakyat Indonesia (Persero) Tbk menggunakan pendekatan Deep Learning, yaitu metode Bidirectional Long Short-Term Memory (Bi-LSTM). Dalam metodologi penelitian, skenario pembagian data dilakukan dengan komposisi 50% data latih dan 50% data uji. Penelitian ini melakukan serangkaian eksperimen tuning hyperparameter yang meliputi variasi learning rate, jumlah neuron, dan jumlah epoch. Berdasarkan hasil pengujian, arsitektur model paling optimal diperoleh dengan konfigurasi 50 neuron, penggunaan algoritma optimasi Adam, learning rate sebesar 0,001, batch size 1, dan 5 kali epoch. Evaluasi kinerja model menunjukkan hasil yang sangat impresif, dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 1,24998952%. Mengacu pada standar evaluasi di mana nilai MAPE < 10%, kemampuan prediksi model ini dikategorikan sebagai "sangat baik". Hasil ini mengindikasikan bahwa model Bi-LSTM yang dibangun sangat andal dan dapat dimanfaatkan oleh investor sebagai acuan strategis dalam pengambilan keputusan investasi saham BBRI.

Downloads

Download data is not yet available.

References

[1] Junaidi, “Analisis Hubungan Deret Waktu Untuk Peramalan Fakultas Ekonomi dan Bisnis,” Universitas Jambi, 2014.

[2] B. D. Prasetya, F. S. P. dan I. K. , “Pemodelan dan Peramalan data Saham Dengan Analisis Time Series Menggunakan Python,” Prisma, Prosiding Seminar Nasional Matematika, vol. 3, 2020.

[3] S. A. F. M. H. &. M. B. A. Aini Hanifa, “Perbandingan Metode LSTM dan GRU (RNN) Untuk Klasifikasi Berita Palsu Berbahasa Indonesia,” Jurusan Informatika, Fakultas Teknik, Universitas Jenderal Soedirman Purwokerto, Vol. %1 dari %217, No. 1, 2021.

[4] M. E. &. L. F. Dloifur Rohman Alghifari, “Implementasi Bidirectional lSTM untuk Analisis Sentimen Terhadap Layanan Grab indonesia,” Jurnal Manajemen Informatika (JAMIKA), Vol. %1 dari %212, No. 2, no. ojs:https://ojs.unikom.ac.id/index.php/jamika, 2022.

[5] S. H. Permatasari, I. M. N. dan F. F. , “Metode Bidirectional Long Short-Term Memory (BiLSTM) Untuk Memprediksi Harga Saham BBRI Dengan Saham Optimasi Nesterov Adaptive Moment (Nadam),” Jurnal Seminar Nasional (SEMNAS), vol. 7, no. e-ISSN: 2654-3168/p-ISSN: 2654-3257.

[6] Y. Karyadi dan H. S. , “Prediksi Kualitas Udara Dengan Metode LSTM, Bidirectional LSTM, dan GRU,” Jurnal Teknik Informatika dan Sistem Informasi, Vol. %1 dari %29, No. 1, no. doi: https//doi.org/1.35957/jastivi.v9i1.1588, 2022.

[7] F. Masri, D. S. dan D. A. , “Forecasting of Sea Level Time Series Using Deep Learning RNN, LSTM, and BiLSTM Case Study in Indonesia Bay, Indonesia,” e-Proceeding of Engineering, Vol. %1 dari %27, No. 2, 2022.

[8] G. Fitrinanda dan A. D. , “Peramalan Harga Saham PT Adaro Energy Indonesia Tbk Yang Mempertimbangkan Faktor Kurs Dolar Amerika Menggunakan Bidirectional Long Short Term Memory,” Jurnal Teknik ITS, Vol. %1 dari %211, No. 3, 2022.

[9] R. L. Abduljabbar, H. D. dan P.-W. T. , “Unidirectional and Bidirectional LSTM Models For Short Term Traffic Prediction,” Journal of Advanced Transportation, vol. 2021, no. doi: https//doi.org/10.1155/2021/5589075.

[10] F. Shahid, A. Z. dan M. M. , “Predictions For COVID-19 With Deep Learnig of LSTM, GRU and Bi--LSTM,” Chaos, Solitons and Fractals, vol. 140, no. doi: https://doi.org/10.1016/j.chaos.2020110222, 2020.

[11] T. Fardiani, “Ekstraksi Informasi Pada Surat Keputusan Menggunakan Metode Recurrent Neural Network,” Universitas Komputer Indonesia, 2020.

[12] H. K. Choi, “Stock Price Correlation Coefficient Prediction with Arima-Lstm Hybrid Model,” no. doi: 10.48550/arXiv.1808.01560, 2018.

[13] D. A. Napitupulu, “Prediksi Anomali Lintasan Kapal Berdasarkan Data Ais Menggunakan LSTM dan DBSCAN,” Insititut Teknologi Bandung, 2023.

[14] A. B. Nujaman, A. H. dan A. M. Z. , “Long Short Term Memory (LSTM) Untuk Prediksi Harga Saham Prizor Inc,” Universitas Padjadjaran, 2021.

[15] A. R. Isnain, A. S. dan Y. S. , “Bidirectional Long Short Term Memory Method and Word2vec Extraction Approach For hate Speech Detection,” e-Proceeding of Engineering, Vol. %1 dari %214, No. 2, 2020.

[16] M. W. P. Aldi dan A. A. , “Analisis dan Implementasi Ling Short Term Memory Neural Network untuk Prekdiksi Harga Bitcoin,” Jurnal of Computing and Cybernetics System, Vol. %1 dari %25, No.2, no. doi: 10.22146/ijccs.51743, 2018.

[17] V. R. Prasetyo, S. A. J. T. S. D. S. S. A. W. dan S. D. N. , “Prediksi Harga Emas Berdasarkan Data Gold.org Menggunakan Metode Long Short term Memory,” Jurnal Sistem Informasi, Vol. %1 dari %211, No. 3, 2022.

[18] A. S. B. Karno, “Prediksi Data Time Series Saham Bank BRI Dengan Mesin Belajar LSTM (Long Short Term Memory),” Jurnal of Information and information Security (JIFORY), Vol. %1 dari %21, No. 1, 2020.