Prediksi Harga Saham Syariah Menggunakan Algoritma Long Short-Term Memory (LSTM)

Gunawan Budiprasetyo(1), Mamluatul Hani'ah(2*), Darin Zahira Aflah(3)
(1) Politeknik Negeri Malang
(2) Politeknik Negeri Malang
(3) Politeknik Negeri Malang
(*) Corresponding Author

https://doi.org/10.25077/TEKNOSI.v8i3.2022.164-172


Abstrak


Semakin pesatnya perkembangan pasar saham di Indonesia membuat semakin banyak investor yang bergabung di bursa saham. Indonesia pada tahun 2011 meluncurkan saham syariah dimana harga saham syariah dapat mengalami kenaikan dan penurunan. Hal ini tentunya harus diwaspadai oleh investor, agar investor tidak mengalami kerugian dalam jual-beli saham.  Untuk itu, prediksi harga sahan menjadi salah satu upaya untuk menentukan nilai dari suatu saham di masa kedepannya. Pada penelitian ini, prediksi saham dilakukan dengan menggunakan metode Long Short-Term Memory dalam memprediksi harga saham. Dilakukan uji coba dengan menggunakan beberapa parameter pada layers, epoch dan time step untuk mendapatkan model prediksi yang optimal. Arsitektur dari LSTM yang digunakan pada penelitian ini menggunakan multiple layer LSTM dengan empat dan delapan layer yang masing-masing layer memiliki 96 neurons. Terdapat satu Dense layer yang berfungsi mengubah output dari layer sebelumnya menjadi nilai hasil prediksi. Hasil eksperimen menunjukkan bahwa Long Short-Term Memory dapat digunakan untuk melakukan prediksi harga saham dengan akurat, jumlah layer mempengaruhi MAPE yang dihasilkan. LSTM dengan jumlah layer 8 memiliki performa yang lebih baik. Pada PT Aneka Tambang Tbk didapatkan model terbaik dengan nilai MAPE sebesar 2,64. Untuk emiten Erajaya Swasembada Tbk didapatkan nilai MAPE sebesar 2,24. Untuk Kalbe Farma didapatkan nilai MAPE sebesar 1,51. Untuk Semen Indonesia didapatkan nilai MAPE sebesar 1,83. Sedangkan pada Wijaya Karya didapatkan nilai MAPE sebesar 2,66.

Kata Kunci


Prediksi harga saham; Peramalan harga saham; Saham syariah; Deep Learning; LSTM


Teks Lengkap:

PDF


Referensi


[1] S. Elviani, R. Simbolon, and S. P. Dewi, “FAKTOR-FAKTOR YANG MEMPENGARUHI HARGA SAHAM PERUSAHAAN TELEKOMUNIKASI,” JRAM (Jurnal Riset Akuntansi Multiparadigma), vol. 6, no. 1, Jul. 2019, Accessed: Aug. 22, 2022. [Online]. Available: https://jurnal.uisu.ac.id/index.php/JRAM/article/view/1408

[2] H. Mazaya Lathifah et al., “Dampak Pandemi Covid-19 Terhadap Nilai Harga Saham Syariah di Indonesia,” Jurnal Ilmiah Ekonomi Islam, vol. 7, no. 1, pp. 223–229, Mar. 2021, doi: 10.29040/JIEI.V7I1.1772.

[3] S. M. Idrees, M. A. Alam, and P. Agarwal, “A Prediction Approach for Stock Market Volatility Based on Time Series Data,” IEEE Access, vol. 7, pp. 17287–17298, 2019, doi: 10.1109/ACCESS.2019.2895252.

[4] S. Siami-Namini, N. Tavakoli, and A. Siami Namin, “A Comparison of ARIMA and LSTM in Forecasting Time Series,” Proceedings - 17th IEEE International Conference on Machine Learning and Applications, ICMLA 2018, pp. 1394–1401, Jan. 2019, doi: 10.1109/ICMLA.2018.00227.

[5] T. Gao, Y. Chai, and Y. Liu, “Applying long short term momory neural networks for predicting stock closing price,” Proceedings of the IEEE International Conference on Software Engineering and Service Sciences, ICSESS, vol. 2017-November, pp. 575–578, Apr. 2018, doi: 10.1109/ICSESS.2017.8342981.

[6] M. Khashei, M. Bijari, and G. A. Raissi Ardali, “Improvement of Auto-Regressive Integrated Moving Average models using Fuzzy logic and Artificial Neural Networks (ANNs),” Neurocomputing, vol. 72, no. 4–6, pp. 956–967, Jan. 2009, doi: 10.1016/J.NEUCOM.2008.04.017.

[7] A. Arfan and L. ETP, “Perbandingan Algoritma Long Short-Term Memory dengan SVR Pada Prediksi Harga Saham di Indonesia,” PETIR, vol. 13, no. 1, pp. 33–43, Mar. 2020, doi: 10.33322/PETIR.V13I1.858.

[8] S. K. Dirjen, P. Riset, D. Pengembangan, R. Dikti, A. Santoso, and S. Hansun, “Prediksi IHSG dengan Backpropagation Neural Network,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 3, no. 2, pp. 313–318, Aug. 2019, doi: 10.29207/RESTI.V3I2.887.

[9] G. S. Lilipaly, D. Hatidja, and J. S. Kekenusa, “PREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average),” JURNAL ILMIAH SAINS, vol. 14, no. 2, pp. 60–67, Oct. 2014, doi: 10.35799/JIS.14.2.2014.5927.

[10] W. Hastomo, A. Satyo, B. Karno, N. Kalbuana, E. Nisfiani -4, and L. Etp -, “Optimasi Deep Learning untuk Prediksi Saham di Masa Pandemi Covid-19,” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 7, no. 2, pp. 133–140, Aug. 2021, doi: 10.26418/JP.V7I2.47411.

[11] A. G. Salman, Y. Heryadi, E. Abdurahman, and W. Suparta, “Single Layer & Multi-layer Long Short-Term Memory (LSTM) Model with Intermediate Variables for Weather Forecasting,” Procedia Computer Science, vol. 135, pp. 89–98, Jan. 2018, doi: 10.1016/J.PROCS.2018.08.153.

[12] 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, no. 3, pp. 184–196, 2019, doi: 10.23887/JANAPATI.V8I3.19139.

[13] H. N. Bhandari, B. Rimal, N. R. Pokhrel, R. Rimal, K. R. Dahal, and R. K. C. Khatri, “Predicting stock market index using LSTM,” Machine Learning with Applications, vol. 9, p. 100320, Sep. 2022, doi: 10.1016/J.MLWA.2022.100320.

[14] W. Kurnia Sari, D. Palupi Rini, R. Firsandaya Malik, and I. B. Saladin Azhar, “Multilabel Text Classification in News Articles Using Long-Term Memory with Word2Vec,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 4, no. 2, pp. 276–285, Apr. 2020, doi: 10.29207/RESTI.V4I2.1655.

[15] A. Moghar and M. Hamiche, “Stock Market Prediction Using LSTM Recurrent Neural Network,” Procedia Computer Science, vol. 170, pp. 1168–1173, Jan. 2020, doi: 10.1016/J.PROCS.2020.03.049.

[16] A. Bode and A. Bode, “K-NEAREST NEIGHBOR DENGAN FEATURE SELECTION MENGGUNAKAN BACKWARD ELIMINATION UNTUK PREDIKSI HARGA KOMODITI KOPI ARABIKA,” ILKOM Jurnal Ilmiah, vol. 9, no. 2, pp. 188–195, Aug. 2017, doi: 10.33096/ilkom.v9i2.139.188-195.

[17] M. A. Maricar, P. Widiadnyana, and W. A. Wijaya, “Analysis of data mining for forecasting total goods delivery with moving average method,” International Journal of Engineering and Emerging Technology, vol. 2, no. 1, pp. 7–10, 2017.

[18] M. Hani’ah, I. K. Putri, and A. R. T. H. Ririd, “Parameter Optimization of Holt - Winters Exponential Smoothing Using Golden Section Method for Predicting Indonesian Car Sales,” Proceedings - IEIT 2021: 1st International Conference on Electrical and Information Technology, pp. 21–26, Sep. 2021, doi: 10.1109/IEIT53149.2021.9587379.

[19] G. Liu et al., “Short-term runoff prediction using deep learning multi-dimensional ensemble method,” Journal of Hydrology, vol. 609, p. 127762, Jun. 2022, doi: 10.1016/J.JHYDROL.2022.127762.

[20] P. Hewage, M. Trovati, E. Pereira, and A. Behera, “Deep learning-based effective fine-grained weather forecasting model,” Pattern Analysis and Applications, vol. 24, no. 1, pp. 343–366, Feb. 2021, doi: 10.1007/S10044-020-00898-1/FIGURES/12.


Artikel Statistik

Abstrak telah dilihat : 2099 kali
PDF telah dilihat : 1683 kali

Refbacks

  • Saat ini tidak ada refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

 

Alamat Redaksi :
Departemen Sistem Informasi, Fakultas Teknologi Informasi
Universitas Andalas
Kampus Limau Manis, Padang 25163, Sumatera Barat

email: teknosi@fti.unand.ac.id

  Jumlah Pengunjung :

 

Creative Commons License
This work by JSI-Unand and licensed under a CC BY-SA 4.0 International License.