Implementasi Data Mining dalam Prediksi Harga Saham Menggunakan Metode Long Short Term Memory (LSTM)
DOI:
https://doi.org/10.70309/ticom.v12i1.99Keywords:
Data Mining, Prediksi, Harga Saham, Long Short Term MemoryAbstract
Ketidakstabilan pergerakan harga saham memiliki dampak yang signifikan bagi perusahaan maupun bagi investor. Pergerakan harga saham yang sulit untuk diprediksi dapat mempengaruhi nilai perusahaan, citra perusahaan di pasar modal serta potensi pendanaan. Bagi investor, pergerakan harga saham yang tidak stabil dapat mempengaruhi pengambilan keputusan dalam berinvestasi. Riset ini bermaksud untuk menerapkan teknik data mining dalam melakukan prediksi menggunakan metode LSTM untuk mengatasi masalah yang terjadi karena ketidakstabilan harga saham, sehingga perusahaan dapat mengetehui faktor yang mempengaruhi pergerakan harga saham dan dapat mengelola saham perusahaan dengan pengambilan keputusan yang lebih baik. Melalui pendekatan ini pula, investor mendapatkan informasi dan prediksi mengenai pergerakan harga saham dan dapat memutuskan investasi dengan bijak. Riset ini menerapkan data yang diambil dari Website Yahoo Finance harga saham PT Bank Central Asia dari tanggal 4 Januari 2021 hingga 21 Maret 2023 dengan menggunakan atribut seperti date yang merupakan tanggal harga saham dan close merupakan harga penutupan dalam satu hari. Dalam riset ini akan diciptakan sebuah sistem berbasis website menggunakan bahasa pemrograman Python yang dapat diterapkan dalam melakukan prediksi harga saham menerapkan metode LSTM. Hasil penelitian akan dievaluasi menggunakan MAPE untuk mengetahui tingkat keakuratan prediksi dan didapatkan nilai sebesar 4.11% dengan kategori kemampuan prediksi sangat baik. Selanjutnya akan dilakukan pengujian sistem berdasarkan fungsionalitasnya menggunakan metode blackbox testing dan didapatkan hasil bahwa sistem berjalan sesuai dengan fungsinya
References
M. T. F. and M. A. R. D. Benhard, “Prediksi Harga Saham menggunakan Metode Backpropagation dengan Optimasi Ant Colony Optimization,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., pp. 5086–5095, 2019.
M. A. Maliki, I. Cholissodin, and N. Yudistira, “Prediksi Pergerakan Harga Cryptocurrency Bitcoin terhadap Mata Uang Rupiah menggunakan Algoritme LSTM,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 7, pp. 3259–3268, 2022.
P. M. S. Tarigan and J. T. Hardinata, “Implementasi Data Mining Menggunakan Algoritma Apriori Dalam Menentukan Persediaan Barang (Studi Kasus : Toko Sinar Harahap),” J. UMJ, pp. 51–61, 2022.
R. M. S. Adi and S. Sudianto, “Prediksi Harga Komoditas Pangan Menggunakan Algoritma Long Short-Term Memory (LSTM),” Build. Informatics, Technol. Sci., vol. 4, no. 2, pp. 1137–1145, 2022, doi: 10.47065/bits.v4i2.2229.
R. E. Wahyuni, “Optimasi Prediksi Inflasi Dengan Neural Network Pada Tahap Windowing Adakah Pengaruh Perbedaan Window Size,” Technol. J. Ilm., vol. 12, no. 3, p. 176, 2021, doi: 10.31602/tji.v12i3.5181.
M. Wildan Putra Aldi and A. Aditsania, “Analisis dan Implementasi Long Short Term Memory Neural Network untuk Prediksi Harga Bitcoin,” e-Proceeding Eng., vol. Vol. 5, no. 2, pp. 3548–3555, 2018.
M. Abdul Dwiyanto Suyudi, E. C. Djamal, A. Maspupah Jurusan Informatika, and F. Sains dan Informatika Universitas Jenderal Achmad Yani Cimahi, “Prediksi Harga Saham menggunakan Metode Recurrent Neural Network,” Semin. Nas. Apl. Teknol. Inf., pp. 1907–5022, 2019.
C. I. Garcia, F. Grasso, A. Luchetta, M. C. Piccirilli, L. Paolucci, and G. Talluri, “A comparison of power quality disturbance detection and classification methods using CNN, LSTM and CNN-LSTM,” Appl. Sci., vol. 10, no. 19, pp. 1–22, 2020, doi: 10.3390/app10196755.
Y. yuli Astari, A. Afiyati, and S. W. Rozaqi, “Analisis Sentimen Multi-Class Pada Sosial Media Menggunakan Metode Long Short-Term Memory (LSTM),” J. Linguist. Komputasional, vol. 4, no. 1, pp. 8–12, 2021, [Online]. Available: http://inacl.id/journal/index.php/jlk/article/view/43
F. Paraijun, R. N. Aziza, and D. Kuswardani, “Implementasi Algoritma Convolutional Neural Network Dalam Mengklasifikasi Kesegaran Buah Berdasarkan Citra Buah,” Kilat, vol. 11, no. 1, pp. 1–9, 2022, doi: 10.33322/kilat.v10i2.1458.
A. Sari and D. U. Putri, “Penerapan Regresi Linear Berganda Untuk Memprediksi Diabetes Secara Dini,” J. Tek., vol. 3, no. 1, p. 32, 2023, doi: 10.54314/teknisi.v3i1.1255.
Shenoy, “LSTM Back-Propagation — the Math Behind the Scenes,” Medium, 2020. https://kartik2112.medium.com/lstm-back-propagation-behind-the-scenes-andrew-ng-style-notations-7207b8606cb2
Sahishanu, “LSTM Back-Propagation — the Math Behind the Scenes,” geeksforgeeks, 2021. https://www.geeksforgeeks.org/lstm-derivation-of-back-propagation-through-time/#article-meta-div
C. T. Emanuella, A. Lawi, and Hendra, “Deployment Model Prediksi Harga Saham Apple Inc Pada Beberapa Bursa Efek Menggunakan Metode Multivariate Gated Recurrent Unit,” Pros. Semin. Nas. Tek. Elektro dan Inform., pp. 298–303, 2022.
