Pratama, Endy Gigih (2022) PREDIKSI HARGA SAHAM MENGGUNAKAN METODE LONG SHORT TERM MEMORY (LSTM). Undergraduate thesis, UPN Veteran Jawa Timur.
|
Text (Cover)
Cover Skripsi.pdf Download (950kB) | Preview |
|
|
Text (Bab 1)
Bab 1.pdf Download (176kB) | Preview |
|
|
Text (Bab 2)
Bab 2.pdf Download (913kB) | Preview |
|
![[img]](http://repository.upnjatim.ac.id/style/images/fileicons/text.png) |
Text (Bab 3)
Bab 3.pdf Restricted to Registered users only until 30 May 2024. Download (460kB) |
|
|
Text (Bab 4)
Bab 4.pdf Restricted to Registered users only until 30 May 2024. Download (1MB) |
|
|
Text (Bab 5)
Bab 5.pdf Download (104kB) | Preview |
|
|
Text (Daftar Pustaka)
Daftar Pustaka.pdf Download (243kB) | Preview |
|
|
Text (Lampiran)
Lampiran.pdf Restricted to Registered users only until 30 May 2024. Download (3MB) |
Abstract
Saham adalah salah satu instrumen pasar keuangan yang paling populer dan saham juga menjadi bukti bahwa seseorang memiliki saham ekuitas di suatu perusahaan. Seseorang yang memiliki saham memiliki hak atas sebagian kekayaan perusahaan. Investor berinvestasi pada saham dan berusaha untuk mendapatkan hasil yang maksimal, namun banyak investor yang masih belum yakin dengan risiko untuk melakukan investasi. Berinvestasi atau jual beli di pasar saham membutuhkan pemahaman di bidang analisis data. Pergerakan kurva di pasar saham cukup dinamis, sehingga dibutuhkannya pemodelan data untuk memprediksi harga saham agar memperoleh harga dengan tingkat akurasi yang tinggi. Saat ini Machine Learning memiliki tingkat akurasi yang baik dalam pengolahan data dan prediksi data. Salah satu metode yang digunakan dalam melakukan prediksi atau forecasting adalah Long Short Term Memory (LSTM). Metode ini menggunakan historis data secara time series untuk melakukan prediksi. Tahapan penelitian terdiri dari pengumpulan data, pre-processing data, pembagian data, perancangan arsitektur LSTM, pelatihan dan evaluasi hasil LSTM. Parameter yang digunakan untuk memprediksi harga saham dengan LSTM adalah jumlah data, pembagian data train dan test, jumlah hidden layer, neuron, dan learning rate. Pengujian didapatkan hasil terbaik dengan perhitungan nilai error menggunakan RMSE sebesar $0.811 dan MAPE sebesar 0.979%. Berdasarkan hasil pengujian, range nilai MAPE yang didapatkan <10% maka model ini termasuk model peramalan sangat baik.
| Item Type: | Thesis (Undergraduate) | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Contributors: |
|
||||||||||||
| Subjects: | H Social Sciences > HD Industries. Land use. Labor > HD30.27 Business Forecasting Q Science > QA Mathematics > QA76 Computer software Q Science > QA Mathematics > QA76.6 Computer Programming T Technology > T Technology (General) |
||||||||||||
| Divisions: | Faculty of Computer Science > Departemen of Informatics | ||||||||||||
| Depositing User: | Endy Gigih Pratama | ||||||||||||
| Date Deposited: | 30 May 2022 07:11 | ||||||||||||
| Last Modified: | 30 May 2022 07:11 | ||||||||||||
| URI: | http://repository.upnjatim.ac.id/id/eprint/6322 |
Actions (login required)
 |
View Item |