Implementasi Machine Learning Menggunakan Metode Long Short Term Memory (LSTM) untuk Prediksi Time Series Harga Saham PT Indofood CBP Sukses Makmur TBK

Pramudya, Endritha and Retnoningsih, Dwi and Ruswanti, Diyah (2025) Implementasi Machine Learning Menggunakan Metode Long Short Term Memory (LSTM) untuk Prediksi Time Series Harga Saham PT Indofood CBP Sukses Makmur TBK. Skripsi thesis, Universitas Sahid Surakarta.

	Text Endritha Pramudya_Hal. Awal_2021061014.pdf Download (2MB)
	Text Endritha Pramudya_BAB I_2021061014.pdf Download (356kB)
	Text Endritha Pramudya_BAB II_2021061014.pdf Download (583kB)
	Text Endritha Pramudya_BAB III_2021061014.pdf Restricted to Repository staff only Download (569kB) | Request a copy
	Text Endritha Pramudya_BAB IV_2021061014.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text Endritha Pramudya_BAB V_2021061014.pdf Download (343kB)
	Text Endritha Pramudya_DAFTAR PUSTAKA_2021061014.pdf Download (259kB)
	Text Endritha Pramudya_Lampiran_2021061014.pdf Download (1MB)

Abstract

Fluktuasi harga saham yang tinggi membuat harga saham sulit untuk diprediksi secara akurat. Oleh karena itu, dibutuhkan pendekatan analisis prediktif yang memanfaatkan data historis serta metode machine learning untuk membantu memperkirakan pergerakan harga secara lebih efektif. Penelitian ini bertujuan untuk mengetahui performa metode Long Short-Term Memory (LSTM) dalam memprediksi harga saham PT Indofood CBP Sukses Makmur Tbk berdasarkan data historis. LSTM merupakan salah satu jenis jaringan saraf tiruan yang efektif dalam memproses data deret waktu karena kemampuannya dalam menangkap hubungan jangka panjang antar data. Data yang digunakan adalah harga penutupan saham ICBP dari Januari 2019 hingga Mei 2025. Metode yang digunakan meliputi proses tahapan pembersihan data, normalisasi data, pembagian data, perancangan model, prediksi, denormalisasi dan evaluasi menggunakan metrik Mean Absolute Percentage Error (MAPE). Hasil penelitian membuktikan bahwa model LSTM memiliki performa yang baik dalam mengenali pola data deret waktu, ditandai dengan nilai MAPE terendah sebesar 1.43, pada kombinasi epoch 100 dan batch size 32.

Actions (login required)

View Item