Publisher

IKHAFIIKHAFI

Journal JUKOMIKA (Jurnal Ilmu Komputer dan Informatika)JUKOMIKA (Jurnal Ilmu Komputer dan Informatika) Abstract

Prediksi Indeks Harga Saham Gabungan (IHSG) merupakan tantangan tersendiri karena pergerakannya yang bersifat non-linier dan dipengaruhi berbagai faktor eksternal. Penelitian ini mengevaluasi kinerja model Long Short-Term Memory (LSTM) dalam memprediksi nilai penutupan IHSG menggunakan tiga variasi algoritma optimasi berbasis Adam, yaitu Adam, AdamW, dan Nadam. Data yang digunakan adalah data historis IHSG dari Yahoo Finance periode 2015–2025 sebanyak 2.413 data harian. Model dibangun dengan teknik sliding window berukuran 60 dan dilatih menggunakan hyperparameter yang identik pada ketiga skenario untuk memastikan objektivitas perbandingan. Evaluasi dilakukan menggunakan metrik MAE, RMSE, dan MAPE. Hasil menunjukkan bahwa optimizer Adam menghasilkan performa terbaik dengan MAE sebesar 115,0, RMSE sebesar 144,4, dan MAPE sebesar 1,63%, unggul dibandingkan Nadam (MAPE 2,71%) dan AdamW (MAPE 3,18%). Keunggulan Adam berasal dari proses konvergensi yang lebih stabil sehingga model mampu mempelajari pola historis data secara lebih optimal.

Conclusion

Perbedaan optimizer berpengaruh terhadap kinerja model LSTM dalam prediksi harga penutupan IHSG.Optimizer Adam terbukti memberikan hasil prediksi terbaik dibandingkan AdamW dan Nadam karena mampu menghasilkan proses pembelajaran yang lebih stabil serta menangkap pola data historis IHSG secara lebih efektif.Temuan ini menunjukkan bahwa pada data deret waktu finansial yang bersifat kompleks, non-stasioner, dan memiliki volatilitas tinggi, optimizer dengan konvergensi yang lebih bertahap cenderung menghasilkan performa prediksi yang lebih baik dibandingkan optimizer yang berkonvergensi sangat cepat.Dengan demikian, Adam dapat dipertimbangkan sebagai optimizer yang lebih sesuai untuk pengembangan model LSTM dalam prediksi pergerakan harga saham IHSG.

Future Research

Untuk penelitian lanjutan, dapat dilakukan analisis lebih mendalam mengenai pengaruh variasi window size pada kinerja model LSTM. Selain itu, dapat juga dieksplorasi penggunaan teknik data augmentation atau teknik pengolahan data lainnya untuk meningkatkan kualitas data dan kinerja model. Selain itu, penelitian dapat dilakukan untuk membandingkan kinerja model LSTM dengan model deep learning lainnya, seperti Gated Recurrent Unit (GRU) atau Transformer, untuk melihat apakah ada model yang lebih unggul dalam memprediksi harga saham IHSG. Penelitian juga dapat dilakukan untuk mengoptimalkan hyperparameter model LSTM, seperti jumlah lapisan LSTM, ukuran batch, dan jumlah epoch, untuk meningkatkan akurasi prediksi. Selain itu, penelitian dapat dilakukan untuk mengintegrasikan informasi eksternal, seperti berita keuangan atau data makroekonomi, ke dalam model LSTM untuk meningkatkan akurasi prediksi. Penelitian juga dapat dilakukan untuk menguji kinerja model LSTM dalam memprediksi harga saham IHSG pada periode waktu yang lebih panjang, misalnya 10 tahun atau lebih, untuk melihat apakah model mampu mempertahankan akurasi prediksi dalam jangka panjang.

References

1. Perbandingan Metode Analisis Sentimen Pelayanan Daring di Fakultas Teknik dan Kejuruan Universitas Pendidikan... journal.irpi.or.id/index.php/malcom/article/view/1336Perbandingan Metode Analisis Sentimen Pelayanan Daring di Fakultas Teknik dan Kejuruan Universitas Pendidikan journal irpi index php malcom article view 1336
2. Perbandingan Kinerja Model Berbasis RNN pada Peramalan Data Ekonomi dan Keuangan Indonesia | MALCOM:... doi.org/10.57152/malcom.v4i4.1415Perbandingan Kinerja Model Berbasis RNN pada Peramalan Data Ekonomi dan Keuangan Indonesia MALCOM doi 10 57152 malcom v4i4 1415
3. Vol. 9 No. 3 (2022): Bali Medika Jurnal Vol 9 No 3 Desember 2022 | Bali Medika Jurnal. vol bali medika... doi.org/10.36376/bmj.v9i3Vol 9 No 3 2022 Bali Medika Jurnal Vol 9 No 3 Desember 2022 Bali Medika Jurnal vol bali medika doi 10 36376 bmj v9i3

Metadata

File size	768.58 KB
Pages	10
DMCA	Report