Prediksi Harga Saham Menggunakan Pendekatan Multi-Task Learning dengan Menggabungkan Metode Long Short-Term Memory dan Kerangka Random Forest

Ragadani, Abiya Sabitta (2023) Prediksi Harga Saham Menggunakan Pendekatan Multi-Task Learning dengan Menggabungkan Metode Long Short-Term Memory dan Kerangka Random Forest. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111940000166-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (4MB) | Request a copy

Abstract

Salah satu cara membaca pergerakan harga saham adalah dengan analisis menggunakan indikator teknikal. Indikator teknikal merupakan instrumen yang digunakan dalam menganalisis pasar saham melalui identifikasi pola atau tren yang terlihat dari pergerakan harga dan volume saham. Analisis teknikal dapat dilakukan dengan bantuan machine learning. Jenis machine learning yang sering digunakan adalah deep learning terutama LSTM karena kelebihannya dalam mempelajari data temporal. Tetapi deep learning memiliki kelemahan dimana rentan terkena overfitting, sehingga salah satu cara untuk mengatasi overfitting adalah menggunakan mekanisme forest dimana terdapat banyak model untuk memrediksi. Selain itu seringkali digunakan untuk melakukan prediksi adalah dengan single-task regresi atau klasifikasi saja. Hal ini memiliki kelemahan apabila hanya melakukan klasifikasi maka akan sulit untuk menentukan seberapa tinggi naik atau turun suatu harga saham. Oleh karena itu, dilakukan penelitian prediksi harga saham menggunakan LSTM dengan kerangka forest untuk meminimalisir overfitting dan dengan multi-task untuk membantu dalam penentuan seberapa tinggi kenaikan atau penuruan harga saham. Penelitian ini dilakukan dengan 10 emiten saham yang masing-masing memiliki 14 fitur berupa harga, volume, dan indikator teknikal. Dataset yang digunakan adalah historis transaksi saham yang didapatkan dari tradingview menggunakan 10 emiten saham dari indeks saham yang dianggap dapat mewakili beberapa bidang sektor industri perusahaa dengan periode data transaksi pada November 2016 sampai dengan November 2021 berjumla 1200 hari data transaksi per emiten. Hasil akhir pada penelitian ini adalah prediksi harga dan tren saham. Tahapan yang dilakukan adalah pengumpulan data, pembuatan data training, training data, testing, dan analisis hasil uji coba. Model yang telah dibangun dievaluasi dengan MAPE dan RMSE untuk model regresi, dan accuracy serta balance accuracy untuk model klasifikasi. Dibentuk 50 model untuk LSTM-Forest dengan optimizer adam, yang kemudian akan dibandingkan model multi-task dan single-task dengan model LSTM dan random forest. Pada hasilnya untuk regresi model LSTM-Forest memiliki nilai terbaik dimana singletask memiliki rata-rata MAPE 2.49 dan multi-task 2.69, dan untuk klasifikasi model LSTM-Forest singletask memiliki kedua terbaik dengan rata-rata accuracy 0.724.
=================================================================================================================================
One way to analyze stock price movements is by using technical indicators. Technical indicators are instruments used to analyze the stock market by identifying patterns or trends observed in the price and volume movements of stocks. Technical analysis can be performed with the help of machine learning. One commonly used type of machine learning is deep learning, particularly LSTM, due to its ability to learn from temporal data. However, deep learning has a drawback in that it is prone to overfitting. To address overfitting, one approach is to use a forest mechanism, which involves multiple models for prediction. In addition, predictions are often made using single-task regression or classification alone. This approach has a limitation, as only performing classification makes it difficult to determine the extent of price increases or decreases in a stock. Therefore, research has been conducted on stock price prediction using LSTM with a forest framework to minimize overfitting and with multi-task learning to aid in determining the extent of stock price changes. This research was conducted using 10 stock companies, each with 14 features including price, volume, and technical indicators. The dataset used consisted of historical stock transaction data obtained from TradingView, covering 10 stock companies from stock indices that were considered representative of several sectors of the business industry. The transaction data period ranged from November 2016 to November 2021, totaling 1,200 days of transaction data per company. The final result of this research is the prediction of stock prices and trends. The steps involved in this research include data collection, data preparation for training, training the data, testing, and analyzing the test results. The built models were evaluated using MAPE (Mean Absolute Percentage Error) and RMSE (Root Mean Square Error) for regression models, and accuracy and balanced accuracy for classification models. A total of 50 models were created for LSTM-Forest using the Adam optimizer, which were then compared to the multi-task and single-task models using LSTM and random forest. The results showed that for regression, the LSTM-Forest model performed the best, with the single-task model having an average MAPE of 2.49 and the multi-task model having an average MAPE of 2.69. For classification, the LSTM-Forest single-task model had the second-best performance, with an average accuracy of 0.724.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Saham, Long Short-Term Memory, Random Forest, Multi Task Learning, Stock Market
Subjects:	H Social Sciences > HJ Public Finance Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. R Medicine > R Medicine (General) > R858 Deep Learning
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Abiya Sabitta Ragadani
Date Deposited:	13 Oct 2023 01:15
Last Modified:	13 Oct 2023 01:15
URI:	http://repository.its.ac.id/id/eprint/101304

Actions (login required)

View Item