Perbandingan Metode CNN-LSTM dan CNN-GRU Pada Peramalan Harga Saham

Septiadi, Yogik (2024) Perbandingan Metode CNN-LSTM dan CNN-GRU Pada Peramalan Harga Saham. Other thesis, Institut Teknologi Sepuluh Nopember.

Text TA_5026201021_Yogik Septiadi.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (5MB) | Request a copy

Abstract

Dalam bisnis investasi, khususnya investasi saham, diperlukan strategi untuk menghadapi ketidakstabilan ekonomi. Untuk ini peramalan harga saham diperlukan guna memastikan kapan pembelian atau penjualan saham harus dilakukan untuk memperoleh keuntungan yang sebesar-besarnya. Dalam Tugas Akhir ini dilakukan eksperimen untuk membandingkan model peramalan harga saham menggunakan gabungan metode convolutional neural network dan metode long short-term memory (CNN-LSTM) dengan gabungan metode CNN dan metode gated recurrent unit (CNN-GRU). Data yang digunakan berupa data saham PT Telekomunikasi Indonesia Tbk dalam reantang waktu 2019 sampai dengan 2023. Dari keseluruhan data tersebut, data tiga tahun pertama digunakan sebagai data latih untuk membangun model peramalan, data satu tahun berikutnya digunakan untuk menvalidasi model peramalan dan memilih satu model terbaik, serta data satu tahun terakhir digunakan sebagai data uji untuk meramalkan harga saham menggunakan model terbaik yang dihasilkan. Eskperimen dilakukan terhadap kedua model gabungan menggunakan sejumlah kombinasi nilai hyperparamter. Teknik grid serarch digunakan untuk memilih satu model terbaik dari masing-masing metode gabungan yang memberikan kinerja model terbaik pada data validasi. Empat jenis pengukuran kinerja model peramalan digunakan dalam eksperimen, yaitu mean square error (MSE), root mean squre error (RMSE), mean absolute error (MAE), dan mean absolute error percentage (MAPE). Model terbaik untuk metode CNN-LSTM diperoleh untuk kombinasi nilai hyperparamter: jumlah filter, ukuran kernel, jumlah unit, laju dropout, laju recurrent dropout, fungsi aktivasi, pengoptimasi, dan ukuran batch bertutur-turut sebesar 64, 5, 32, 0,2, 0,2, tanh, adam, dan 64; yang memberikan hasil uji peramalan untuk MSE, RMSE, MAE, dan MAPE berturut-turut sebesar 3.253,80; 57,04; 39,68; dan 1,02%. Model terbaik untuk metode CNN-GRU diperoleh untuk kombinasi nilai hyperparamter: jumlah filter, ukuran kernel, jumlah unit, laju dropout, laju recurrent dropout, fungsi aktivasi, pengoptimasi, dan ukuran batch bertutur-turut sebesar 64, 3, 64, 0,2, 0,2, tanh, adam, dan 64 yang memberikan hasil uji peramalan untuk MSE, RMSE, MAE, dan MAPE berturut-turut sebesar 33.249; 357,00; 38,93; dan 1,00%. Hasil uji perbandingan menggunakan Z-test pada nilai MAPE kedua model menunjukkanb bahwa model CNN-GRU lebih baik dibandingkan model CNN-LSTM).
===========================================================

The investment business, particularly in stock investing, requires a strategy to handle economic volatility. For this, stock price forecasting is needed to ensure when buying or selling stocks should be done to obtain maximum profit. In this final project, we conducted an experiment to compare stock price forecasting models using a combination of the convolutional neural network method, the long short-term memory (CNN-LSTM) method, and a combination of the CNN method and the gated recurrent unit (CNN-GRU). The study utilized stock data from PT Telekomunikasi Indonesia Tbk, covering the period from 2019 to 2023. We use the first three years of data as training data to build the forecasting model, the next year's data to validate the forecasting model and select the best model, and the last year's data as test data to forecast stock prices using the selected model. We conducted experiments on both combined models, utilizing various combinations of hyperparameter values. We use the grid search technique to select the best model from each combined method that provides the best model performance on the validation data. The experiment employed four types of forecasting model performance measurements: mean square error (MSE), root mean square error (RMSE), mean absolute error (MAE), and mean absolute error percentage (MAPE). We obtained the best model for the CNN-LSTM method using a combination of hyperparameter values: number of filters, kernel size, number of units, dropout rate, recurrent dropout rate, activation function, optimizer, and batch size of 64, 5, 32, 0.2, 0.2, Tanh, Adam, and 64, respectively. These values yielded forecasting test results for MSE, RMSE, MAE, and MAPE of 3,253.80, 57.04, 39.68, and 1.02%, respectively. We obtained the best model for the CNN-GRU method using a combination of hyperparameter values: number of filters, kernel size, number of units, dropout rate, recurrent dropout rate, activation function, optimizer, and batch size, respectively, of 64, 3, 64, 0.2, 0.2, Tanh, Adam, and 64. These values produced forecasting test results for MSE, RMSE, MAE, and MAPE of 33.249, 357.00, 38.93, and 1.00%, respectively. The results of the comparison test using the Z-test on the MAPE values of the two models showed that the CNN-GRU model was better than the CNN-LSTM model.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	harga saham, peramalan, convolutional neural network, long short-term memory, gated recurrent unit, stock prices, forecasting, convolutional neural network, long short-term memory, gated recurrent unit.
Subjects:	Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry) Q Science > QA Mathematics > QA336 Artificial Intelligence
Divisions:	Faculty of Information Technology > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Yogik Septiadi
Date Deposited:	01 Aug 2024 01:38
Last Modified:	01 Aug 2024 01:38
URI:	http://repository.its.ac.id/id/eprint/110569

Actions (login required)

View Item