Comparative Deep Learning Analysis: Unveiling the Power of LSTM, BiLSTM, GRU, and BiGRU for Agricultural Stock Price Forecasting on the Indonesian Stock Exchange
DOI:
https://doi.org/10.25077/TEKNOSI.v12i1.2026.73-70Kata Kunci:
Deep learning, LSTM, GRU, BiGRU, BiLSTMAbstrak
This study aims to analyze the performance of deep learning algorithms in predicting agricultural sector stock prices on the Indonesia Stock Exchange (IDX) by comparing four models: Long Short-Term Memory (LSTM), Bidirectional LSTM (BiLSTM), Gated Recurrent Unit (GRU), and Bidirectional GRU (BiGRU). Daily historical data of six agricultural sector stock issuers (AALI, BISI, DSNG, LSIP, SIMP, SSMS) for the period 2017–2025 was used as the dataset. The research methods included data pre-processing (normalization, 80:20 training-test data split), model training with optimal hyperparameters (unit=512, dropout rate = 0.3, epoch = 50–150, learning rate = 0.0001), and evaluation using Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), R² Score , and computation time metrics. The results show that BiGRU is the most accurate model with the lowest RMSE (7.43–17.20) and the highest R² (0.99 on BISI and SSMS), thanks to the Bidirectional architecture that processes bidirectional data to capture complex temporal patterns. However, GRU is more efficient with a training time of 40–43 seconds, suitable for real-time applications . LSTM and BiLSTM have lower accuracy, especially on volatile stocks such as DSNG (RMSE LSTM = 130.51). This study provides practical recommendations: BiGRU for long-term investment strategies that prioritize accuracy, while GRU for quick decisions based on efficiency. Theoretical implications strengthen the effectiveness of the Bidirectional architecture in financial time series analysisReferensi
Galih Adhi Putratama, Satya Maulana Fahreza, and Yudhistira Rakha Ramandhani, “Comparative Evaluation of Machine Learning Methods for Predicting Stock Price Changes,” Antivirus: Scientific Journal of Informatics Engineering , vol. 17, no. 2, pp. 278–285, May 2024, doi: 10.35457/antivirus.v17i2.2871.
G. Budiprasetyo, M. Hani'ah, and DZ Aflah, “Sharia stock price prediction using long short- term memory (LSTM) algorithm,” National Journal of Technology and Information Systems , vol. 8, no. 3, pp. 164–172, 2023.
A. Holly, R. Jao, A. Limang, U. Atma Jaya Makassar, and S. Selatan, “Muhammadiyah Riau Accounting and Business Journal EMOTIONAL BIAS AND RISK TOLERANCE BEHAVIOR IN INVESTMENT DECISION MAKING,” 2022. [Online]. Available: http://ejurnal.umri.ac.id/index.php/MRABJ
A. Rosyd, AI Purnamasari, and I. Ali, “APPLICATION OF THE LONG SHORT TERM MEMORY (LSTM) METHOD IN PREDICTING PT BANK CENTRAL ASIA STOCK PRICES,” JATI (Informatics Engineering Student Journal) , vol. 8, no. 1, pp. 501–506, 2024.
F. Risyda, MM Purba, and Y. Gardenia, “APPLICATION OF MACHINE LEARNING WITH NAIVE BAYES MODEL FOR EVALUATION OF STUDENT SATISFACTION CASE STUDY: UNSURYA CAMPUS LIBRARY,” JSI (Journal of Information Systems) Suryadarma University , vol. 11, no. 2, pp. 237–248, 2024.
AA Aprilia, SR Handayani, and RR Hidayat, “Investment Decision Analysis Based on Stock Price Assessment (Study Using Fundamental Analysis with Price Earning Ratio (PER) Approach on Mining Sector Stocks Listed on the IDX 2012-2014 Period),” Journal of Business Administration (JAB) Vol . 32, pp. 58–65, 2016.
N. Hafizah, E. Noviani, and H. Perdana ABSTRACT, “TECHNICAL ANALYSIS OF LQ-45 STOCKS USING THE BOLLINGER BANDS INDICATOR,” 2019.
T. Phuoc, PTK Anh, PH Tam, and CV Nguyen, “Applying machine learning algorithms to predict the stock price trend in the stock market – The case of Vietnam,” Humanit Soc Sci Commun , vol. 11, no. 1, Dec. 2024, doi: 10.1057/s41599-024-02807-x.
J. Qiu, B. Wang, and C. Zhou, “Forecasting stock prices with long-short term memory neural network based on attention mechanisms,” PLoS One , vol. 15, no. 1, Jan. 2020, doi: 10.1371/journal.pone.0227222.
A. Zhang, Z.C. Lipton, M.U. Li, and A.J. Smola, “Dive into Deep Learning,” 2022.
M. Bi, Z. Liu, and X. Yang, “A Hybrid Prediction Model for International Crude Oil Price Based on Variational Mode Decomposition with BiTCN-BiGRU-Attention Deep Learning Techniques,” 2024.
DI Puteri, G. Darmawan, and BN Ruchjana, “Sharia Stock Price Prediction using Bidirectional Long Short Term Memory (BiLSTM) and Grid Search Algorithm,” Jambura Journal of Mathematics , vol. 6, no. 1, pp. 39–45, Feb. 2024, doi: 10.37905/jjom.v6i1.23297.
S. Zargar, “Introduction to sequence learning models: RNN, LSTM, GRU,” Department of Mechanical and Aerospace Engineering, North Carolina State University , 2021.
Z. Han, C. Gao, J. Liu, J. Zhang, and S. Q. Zhang, “Parameter-efficient fine-tuning for large models: A comprehensive survey,” arXiv preprint arXiv:2403.14608 , 2024.
Christopher Olah, “Understanding LSTM Networks. Retrieved from,” http://colah.github.io/posts/2015-08- Understanding-LSTMs/. Accessed: Dec. 19, 2024. [Online]. Available: http://colah.github.io/posts/2015-08-Understanding-LSTMs/
A. Arwansyah, S. Suryani, SY Hasyrif, U. Usman, A. Ahyuna, and S. Alam, “Time Series Forecasting Using Deep Gated Recurrent Units,” Digital Transformation Technology , vol. 4, no. 1, pp. 410–416, 2024.
Y. Gao, D. Glowacka, R.J. Durrant, and K.-E. Kim, “Deep Gate Recurrent Neural Network,” 2016.
RC Staudemeyer and ER Morris, “Understanding LSTM--a tutorial into long short-term memory recurrent neural networks,” arXiv preprint arXiv:1909.09586 , 2019.
H. Ben Ameur, S. Boubaker, Z. Ftiti, W. Louhichi, and K. Tissaoui, “Forecasting commodity prices: empirical evidence using deep learning tools,” Ann Oper Res , vol. 339, no. 1–2, pp. 349–367, Aug. 2024, doi: 10.1007/s10479-022-05076-6.
Q. Tan et al. , “Data-gru: Dual-attention time-aware gated recurrent unit for irregular multivariate time series,” in Proceedings of the AAAI conference on artificial intelligence , 2020, pp. 930–937.
B. Shachi and R. Gor, “STOCK PRICE PREDICTION USING GRID HYPER PARAMETER TUNING IN GATED RECURRENT UNITS,” 2022.
J. Wang, J. Yan, C. Li, R. X. Gao, and R. Zhao, “Deep heterogeneous GRU model for predictive analytics in smart manufacturing: Application to tool wear prediction,” Comput Ind , vol. 111, pp. 1–14, 2019.
N. Elsayed, A.S. Maida, and M. Bayoumi, “Deep gated recurrent and convolutional network hybrid model for univariate time series classification,” arXiv preprint arXiv:1812.07683 , 2018.
T. B. Shahi, A. Shrestha, A. Neupane, and W. Guo, “Stock price forecasting with deep learning: A comparative study,” Mathematics , vol. 8, no. 9, p. 1441, 2020.
S. Kumar, L. Hussain, S. Banarjee, and M. Reza, “Energy load forecasting using deep learning approach-LSTM and GRU in spark cluster,” in 2018 fifth international conference on emerging applications of information technology (EAIT) , IEEE, 2018, pp. 1–4.
Y. Deng , L. Wang, H. Jia , 15, no. 8, pp. 4481–4493, 2019.
Z. Wang, Y. Guo, Z. Li, M. Tang, T. Qi, and J. Wang, “Research on microblog rumor events detection via dynamic time series based GRU model,” in ICC 2019-2019 IEEE International Conference on Communications (ICC) , IEEE, 2019, pp. 1–6.
KA Althelaya, E.-SM El-Alfy, and S. Mohammed, “Stock market forecast using multivariate analysis with bidirectional and stacked (LSTM, GRU),” in 2018 21st Saudi Computer Society National Computer Conference (NCC) , IEEE, 2018, pp. 1–7.
M. Haris, T. Pustaka, MH Diponegoro, S. Kusumawardani, and I. Hidayah, “ Systematic Literature Review: Implementation of Deep Learning Methods in Predicting Student Performance: A Systematic Literature Review,” 2021.
S. Siami-Namini, N. Tavakoli, and AS Namin, “The performance of LSTM and BiLSTM in forecasting time series,” in 2019 IEEE International conference on big data (Big Data) , IEEE, 2019, pp. 3285–3292.
Unduhan
Telah diserahkan
Diterima
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Jurnal Nasional Teknologi dan Sistem Informasi
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Hak cipta untuk artikel ini ditransfer ke Jurnal Nasional Teknologi dan Sistem Informasi (TEKNOSI) jika dan ketika artikel diterima untuk publikasi. Yang bertanda tangan di bawah ini dengan ini mentransfer setiap dan semua hak di dalam dan ke kertas termasuk tanpa batasan semua hak cipta untuk TEKNOSI. Yang bertanda tangan di bawah ini dengan ini menyatakan dan menjamin bahwa makalah tersebut asli dan bahwa ia adalah pembuat makalah, kecuali untuk bahan yang secara jelas diidentifikasi sebagai sumber aslinya, dengan pemberitahuan izin dari pemilik hak cipta jika diperlukan. Yang bertanda tangan di bawah ini menyatakan bahwa ia memiliki kekuatan dan wewenang untuk membuat dan melaksanakan penugasan ini.
Kami menyatakan bahwa:
- Makalah ini belum diterbitkan dalam bentuk yang sama di tempat lain.
- Makalah ini tidak akan dikirimkan di tempat lain untuk publikasi sebelum penerimaan/penolakan oleh Jurnal ini
- Izin hak cipta diperoleh untuk materi yang diterbitkan di tempat lain dan yang memerlukan izin ini untuk reproduksi.
Selanjutnya, Saya/kami dengan ini mentransfer hak publikasi yang tidak terbatas dari makalah yang disebutkan di atas secara keseluruhan kepada TEKNOSI. Transfer hak cipta mencakup hak untuk mereproduksi dan mendistribusikan artikel, termasuk cetak ulang, terjemahan, reproduksi foto, mikroform, bentuk elektronik (offline, online) atau reproduksi lain yang serupa.
Penulis yang sesuai menandatangani dan menerima tanggung jawab untuk merilis materi ini atas nama setiap dan semua penulis bersama. Perjanjian ini harus ditandatangani oleh setidaknya salah satu penulis yang telah memperoleh persetujuan dari rekan penulis jika berlaku. Setelah pengajuan perjanjian ini ditandatangani oleh penulis yang sesuai, perubahan kepengarangan atau dalam urutan penulis yang tercantum tidak akan diterima.
Hak / Syarat dan Ketentuan yang dipertahankan :
- Penulis memiliki semua hak kepemilikan dalam setiap proses, prosedur, atau artikel manufaktur yang dijelaskan dalam Karya ini.
- Penulis dapat mereproduksi atau mengotorisasi orang lain untuk mereproduksi karya ini atau karya turunannya untuk penggunaan pribadi penulis atau untuk penggunaan perusahaan, dengan ketentuan bahwa sumber dan menyatakan hak cipta dimiliki TEKNOSI, salinan tidak digunakan dengan cara apa pun yang menyiratkan pengesahan TEKNOSI atas suatu produk atau layanan dari pihak mana pun, dan salinannya sendiri tidak ditawarkan untuk dijual.
- Meskipun penulis diizinkan untuk menggunakan kembali semua atau sebagian dari karya ini dalam karya lain, ini tidak termasuk mengabulkan permintaan pihak ketiga untuk mencetak ulang, menerbitkan ulang, atau jenis penggunaan ulang lainnya.
This work is licensed under a 