Prediksi Harga Saham PT Bank Central Asia Menggunakan Model Recurrent Neural Network (RNN) dan Long-Short Term Memory (LSTM)

SALSABILA, Afrida Nur and Anwariningsih, Sri Huning and Susilo, Dahlan (2025) Prediksi Harga Saham PT Bank Central Asia Menggunakan Model Recurrent Neural Network (RNN) dan Long-Short Term Memory (LSTM). Skripsi thesis, Universitas Sahid Surakarta.

	Text Afrida Nur Salsabila_Hal.Awal_2021061001.pdf Download (1MB)
	Text Afrida Nur Salsabila_BAB I_2021061001.pdf Download (393kB)
	Text Afrida Nur Salsabila_BAB II_2021061001.pdf Download (720kB)
	Text Afrida Nur Salsabila_BAB III_2021061001.pdf Restricted to Repository staff only Download (531kB) | Request a copy
	Text Afrida Nur Salsabila_BAB IV_2021061001.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text Afrida Nur Salsabila_BAB V_2021061001.pdf Download (160kB)
	Text Afrida Nur Salsabila_Daftar Pustaka_2021061001.pdf Download (248kB)
	Text Afrida Nur Salsabila_Lampiran_2021061001.pdf Download (777kB)

Abstract

Volatilitas dan kompleksitas pasar saham menghadirkan tantangan besar bagi investor dalam memprediksi arah pergerakan harga saham. Hal ini menuntut pendekatan prediksi yang lebih akurat, terutama melalui analisis teknikal. Penelitian ini bertujuan untuk mengembangkan model prediksi harga saham yang menggabungkan Recurrent Neural Network (RNN) dan Long Short-Term Memory (LSTM) guna meningkatkan akurasi prediksi saham PT Bank Central Asia (BCA), yang merupakan salah satu saham dengan kapitalisasi pasar terbesar di Indonesia. Metode yang diterapkan dalam penelitian ini meliputi tahapan input dataset, pre- processing, pembagian training dan testing, perancangan model dengan data training, training model, pengujian model, dan evaluasi model, denormalisasi, prediksi, dan menampilkan hasil prediksi. Analisis teknikal merupakan salah satu aspek penting untuk membantu investor mengambil keputusan investasi yang baik. Penelitian ini membuktikan bahwa model gabungan RNN-LSTM memiliki hasil akurasi yang lebih unggul sebanyak 92.6% dibandingkan model RNN biasa dengan hasil akurasi 74.9% serta LSTM biasa dengan akurasi 82.1%.

Actions (login required)

View Item