Analisis Peramalan Harga Saham PT Unilever Indonesia Menggunakan Pemodelan LSTM dengan Optimasi PSO

Dewinto Burhan, Isran K. Hasan, La Ode Nashar

Abstract


Pergerakan harga saham cenderung tidak stabil dan sulit diprediksi karena memiliki pola yang kompleks serta berubah-ubah dari waktu ke waktu. Untuk mengatasi hal tersebut, penelitian ini menggunakan model Long Short-Term Memory (LSTM) dalam melakukan peramalan harga saham. Agar model yang dihasilkan memiliki kinerja yang optimal, dilakukan optimasi hyperparameter menggunakan metode Particle Swarm Optimization (PSO). Optimasi dilakukan pada tiga parameter utama LSTM yaitu LSTM units, dropout rate, dense units. Dari proses optimasi diperoleh enam konfigurasi model terbaik. Hasil pengujian menunjukkan model ke-5 memberikan hasil optimasi paling baik dengan nilai RMSE 120,3320 dan MAPE sebesar 3,53% dengan menggunakan kombinasi hyperparameter LSTM units = 137, dropout rate = 0,498, dan dense units = 32. Hasil ini menunjukkan bahwa optimasi hyperparameter memberikan peningkatan akurasi peramalan dibandingkan LSTM tanpa optimasi. Dengan demikian, kombinasi model LSTM dengan optimasi PSO mampu menghasilkan peramalan harga saham yang lebih akurat dan stabil. Pendekatan ini dapat digunakan sebagai alternatif dalam analisis pergerakan harga saham dan mendukung pengambilan keputusan investasi.

Keywords


Peramalan Saham, LSTM, PSO, Optimasi, Time Series

Full Text:

PDF

References


W. Hastomo, A. Satyo, B. Karno, N. Kalbuana, E. Nisfiani, and L. E.-, “Optimasi deep learning untuk prediksi saham di masa pandemi covid-19,” JEPIN (Jurnal Edukasi Penelitian Informatika), vol. 7, pp. 133–140, 2 2021.

R. E. Arini, Y. Iskandar, and H. F. Ningrum, “Faktor– faktor yang mempengaruhi harga saham pada perusahaan sektor keuangan,” Jurnal Proaksi, vol. 7, pp. 39–53, 1 Apr. 2020. doi: 10.32534/jpk.v7i1.1008.

Unilever, Unilever indonesia homepage | unilever, Akses Pada: 11-05-2024, 2024. Available online.

A. Picasso, S. Merello, Y. Ma, L. Oneto, and E. Cambria, “Technical analysis and sentiment embeddings for market trend prediction,” Expert Systems with Applications, vol. 135, pp. 60 70, Nov. 2019. doi: 10.1016/j.eswa.2019.06.014.

R. Julian and M. R. Pribadi, “Peramalan harga saham pertambangan pada bursa efek indonesia (bei) menggunakan long short term memory (lstm),” Jurnal Teknik Informatika dan Sistem Informasi, vol. 8, 3 2021. Available online.

D. Kobiela, D. Krefta, W. Król, and P. Weichbroth, “Arima vs lstm on nasdaq stock exchange data,” in Procedia Computer Science, vol. 207, Elsevier B.V., 2022, pp. 3830–3839. doi: 10.1016/j.procs.2022.09.445.

R. Yotenka, F. Fikri, and E. Huda, “Implementasi long short-term memory pada harga saham perusahaan perkebunan di indonesia,” Jurnal UJMC, vol. 6, pp. 9–18, 1 2020.

D. I. Puteri, “Implementasi long short term memory (lstm) dan bidirectional long short term memory (bilstm) dalam prediksi harga saham syariah,” Euler : Jurnal Ilmiah Matematika, Sains dan Teknologi, vol. 11, pp. 35–43, 1 May 2023. DOI: 10.34312/euler.v11i1.1791.

D. M. Gunarto, S. Sa’adah, and D. Q. Utama, “Predicting cryptocurrency price using rnn and lstm method,” Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 12, pp. 1–8, 1 Mar. 2023. DOI: 10.32736/sisfokom.v12i1.1554.

L. Wiranda and M. Sadikin, “Penerapan long short term memory pada data time series untuk memprediksi penjualan produk pt. metiska farma,” Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI, vol. 8, pp. 184–196, 2019. DOI: https://doi.org/10.23887/janapati.v8i3.19139

Y. L. Sukestyiarno, D. T. Wiyanti, L. Azizah, W. Widada, and K. U. Z. Nugroho, “Algorithm optimizer in ga-lstm for stock price forecasting,” Contemporary Mathematics (Singapore), vol. 5, 1 2024. DOI: 10.37256/cm.5120243367.

N. Kumar and S. Susan, “Particle swarm optimization of partitions and fuzzy order for fuzzy time series forecasting of covid-19,” Applied Soft Computing, vol. 110, Oct. 2021. DOI: 10.1016/j.asoc.2021.107611.

B. Gulmez, “Stock price prediction with optimized deep lstm network with artificial rabbits optimization algorithm,” Expert Systems with Applications, vol. 227, Oct. 2023. DOI: 10.1016/j.eswa.2023.120346.

L. Boongasame and P. Songram, “Cryptocurrency price forecasting method using long short-term memory with time-varying parameters,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 30, pp. 435–443, 1 Apr. 2023. DOI: 10.11591/ijeecs.v30.i1.pp435-443.

M. F. Rizkilloh and S. Widyastuti, “Prediksi harga cryptocurrency menggunakan algoritma long short term memory (lstm),” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 6, pp. 25–31, 1 Feb. 2022. DOI: 10.29207/resti.v6i1.3630.

G. Budiprasetyo, M. Hani’ah, and D. Z. Afiah, “Prediksi harga saham syariah menggunakan algoritma long short-term memory (lstm),” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 8, pp. 164–172, 3 Jan. 2023. DOI: 10.25077/teknosi.v8i3.2022.164-172.

N. Selle, N. Yudistira, and C. Dewi, “Perbandingan prediksi penggunaan listrik dengan menggunakan metode long short term memory (lstm) dan recurrent neural network (rnn),” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 9, pp. 155–162, 1 Feb. 2022. DOI: 10.25126/jtiik.2022915585.

L. N. Afida, F. A. Bachtiar, and L. Cholissodin, “Klasifikasi aktivitas manusia menggunakan metode long short-term memory,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 11, pp. 357–368, 2 Apr. 2024. DOI: 10.25126/jtiik.20241127060.

Y. P. Sugandhi, B. Warsito, and A. R. Hakim, “Prediksi harga saham harian menggunakan cascade forward neural network (cfnn) dengan particle swarm optimization (pso),” STATISTIKA Journal of Theoretical Statistics and Its Applications, vol. 19, pp. 71–82, 2 Dec. 2019. DOI: 10.29313/jstat.v19i2.4878.

A. D. Ihsanuddin, D. Ispriyanti, and T. Tarno, “Penerapan metode fuzzy time series menggunakan particle swarm optimization algorithm untuk peramalan indeks saham lq45,” Jurnal Gaussian, vol. 12, pp. 10–19, 1 May 2023. DOI: 10.14710/j.gauss.12.1.10-19.

GeeksforGeeks,Lstmnetworks,2026.Availableonline.

P. P. Allorung, A. Erma, M. Bagussahrir, and S. Alam, “Analisis performa normalisasi data untuk klasifikasi k-nearest neighbor pada dataset penyakit,” JISKA (Jurnal Informatika Sunan Kalijaga), vol. 9, pp. 178–191, 3 Sep. 2024. DOI: 10.14421/jiska.2024.9.3.178-191.

D. Singh and B. Singh, “Investigating the impact of data normalization on classification performance,” Applied Soft Computing, vol. 97, p. 105524, Dec. 2020. DOI: 10.1016/j.asoc.2019.105524.

A. Essien and C. Giannetti, “A deep learning framework for univariate time series prediction using convolutional lstm stacked autoencoders,” in 2019 IEEE International Symposium on INnovations in Intelligent SysTems and Applications (INISTA), IEEE, Jul. 2019, pp. 1–6. doi: 10.1109/INISTA.2019.8778417.

R. E. Wahyuni, “Optimasi prediksi inflasi dengan neural network pada tahap windowing adakah pengaruh perbedaan window size,” Technologia: Jurnal Ilmiah, vol. 12, p. 176, 3 Jul. 2021. doi: 10.31602/tji.v12i3.5181




DOI: https://doi.org/10.18860/jrmm.v5i3.40090

Refbacks

  • There are currently no refbacks.