PERBANDINGAN METODE RECCURENT NEURAL NETWORK (RNN) DAN LONG SHORT TERM MEMORY (LSTM) UNTUK MEMPREDIKSI HARGA SAHAM BANK TERBESAR DI INDONESIA

Ftriani A.J, Nailatul (2025) PERBANDINGAN METODE RECCURENT NEURAL NETWORK (RNN) DAN LONG SHORT TERM MEMORY (LSTM) UNTUK MEMPREDIKSI HARGA SAHAM BANK TERBESAR DI INDONESIA. Undergraduate thesis, Universitas Islam Sultan Agung Semarang.

	Text Teknik Informatika_32602100005_pernyataan_publikasi.pdf Restricted to Registered users only Download (199kB)
	Text Teknik Informatika_32602100005_fullpdf.pdf Download (3MB)

Abstract

Prediksi harga saham merupakan salah satu tantangan utama dalam bidang keuangan, mengingat volatilitas pasar yang tinggi dan kompleksitas pola pergerakan harga. Penelitian ini membandingkan performa dua metode berbasis deep learning, yaitu Recurrent Neural Network (RNN) dan Long Short-Term Memory (LSTM), dalam memprediksi harga saham empat bank terbesar di Indonesia, yaitu Bank Mandiri, BRI, BNI, dan BCA. Evaluasi dilakukan dengan mengukur akurasi prediksi menggunakan Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model LSTM memiliki performa yang lebih baik dibandingkan RNN, dengan nilai RMSE dan MAPE yang lebih rendah. Visualisasi prediksi juga menunjukkan bahwa LSTM lebih mampu menangkap pola tren harga saham dan lebih stabil dalam menghadapi fluktuasi pasar dibandingkan RNN. Dengan demikian, LSTM lebih direkomendasikan sebagai metode prediksi harga saham karena kemampuannya dalam menangani dependensi jangka panjang dan pola data yang kompleks. Kata kunci: Prediksi harga saham, RNN, LSTM

Item Type:	Thesis (Undergraduate)
Subjects:	T Technology > T Technology (General)
Divisions:	Fakultas Teknologi Industri Fakultas Teknologi Industri > Teknik Informatika
Depositing User:	Pustakawan 1 UNISSULA
Date Deposited:	12 Jun 2025 02:01
URI:	http://repository.unissula.ac.id/id/eprint/40026

Actions (login required)

View Item