Prediksi Pergerakan Harga Saham Pada Perdagangan Intraday Menggunakan Long Short-Term Memory dan Random Forest

Ryan, Gerald Elroy Van (2023) Prediksi Pergerakan Harga Saham Pada Perdagangan Intraday Menggunakan Long Short-Term Memory dan Random Forest. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111940000187-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (8MB) | Request a copy

Abstract

Investasi adalah kegiatan mengalokasikan uang atau modal dengan tujuan menghasilkan keuntungan. Tidak hanya soal mengalokasikan uang, tetapi pelaku investasi perlu menahannya hingga waktu yang ditentukan agar mencapai target yang dituju. Saham menjadi salah satu instrumen pilihan investor karena hasil return yang lebih tinggi dengan risiko yang lebih tinggi juga. Sebagai seorang investor, analisis teknikal menjadi salah satu pendekatan analisis yang menjadi faktor pembelian suatu saham. Dalam penggunaannya, analisis teknikal sering dikaitkan dengan machine learning (ML). Kemampuan ML dalam mengidentifikasi pola dan korelasi dalam data memampukannya untuk membuat prediksi. Penelitian ini membahas tentang pengimplementasian analisis teknikal dalam saham dengan fokus pada penerapan model machine learning untuk memprediksi arah pergerakan harga saham. Model machine learning yang dipakai adalah Long Short-Term Memory (LSTM) dan Random Forest. Kedua model ini juga dibedakan dalam penggunaan fitur, yaitu single-feature dan multi-feature. Model tersebut diuji dengan menggunakan data historis intraday berupa harga saham dari 24 November 2016 – 9 November 2021. Data terdiri dari sepuluh anggota indeks LQ45 dengan pertimbangan likuiditas tinggi serta memiliki kapitalisasi yang besar. Metode evaluasi dilakukan dengan metriks RMSE, MAPE, dan akurasi. Model LSTM single-feature menghasilkan nilai MAPE terbaik untuk prediksi harga selanjutnya dengan nilai rata-rata 1,99. Lalu, model Random Forest multi-feature menghasilkan akurasi terbaik untuk prediksi pergerakan saham selanjutnya dengan nilai rata-rata 51,21%. Perbandingan keefektifan kedua model ini diharapkan dapat membantu investor untuk memberikan model prediksi pergerakan saham yang lebih baik.
=================================================================================================================================
Investment is a process of allocating funds or capital with the objective of generating profits. Investment goes beyond allocation; investors need to hold their investments for a predetermined period to achieve their intended targets. Due to higher risks and return, stocks are among the preferred investment instruments. As an investor, technical analysis serves as an important analytical approach that influences stock purchases. In its application, technical analysis is often linked to machine learning (ML). ML's ability to identify patterns and correlations within data empowers it to make predictions. This study focuses on the implementation of technical analysis in stock trading and investigates the utilization of machine learning models, specifically Long Short-Term Memory (LSTM) and Random Forest, to forecast stock price movements. These models are distinguished by their use of features, namely single-feature and multi-feature. Their performance are evaluated using historical intraday stock price data from 24 November 2016 to 9 November 2021. The Dataset consists of ten constituents of the LQ45 index, carefully selected based on high liquidity and substantial market capitalization. Evaluation is performed using the RMSE, MAPE, and accuracy metrics. The LSTM single-feature model demonstrates the best MAPE value for predicting future prices, averaging at 1.99. Furthermore, the Random Forest multi-feature model achieves the highest accuracy in predicting future stock movements, with an average value of 51.21%. The comparison of the effectiveness of these two models is expected to aid investors in providing better stock movement prediction models.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	investment, stock, machine learning, LSTM, random forest, investasi, saham
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Gerald Elroy Van Ryan
Date Deposited:	21 Nov 2023 05:13
Last Modified:	21 Nov 2023 05:13
URI:	http://repository.its.ac.id/id/eprint/101238

Actions (login required)

View Item