Prediksi Harga Saham Pada Data Transaksi Pasar Menggunakan Recurrent Neural Network (RNN)

Wibowo, Marsha Nabilah (2022) Prediksi Harga Saham Pada Data Transaksi Pasar Menggunakan Recurrent Neural Network (RNN). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111840000027-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Saham dapat didefinisikan sebagai tanda penyertaan modal seseorang atau pihak (badan usaha) dalam suatu perusahaan atau perseroan terbatas. Hingga saat ini, saham merupakan salah satu instrumen pasar keuangan yang paling populer. Tidak heran pergerakan harga saham menjadi topik yang menarik. Kemajuan teknologi membuat pembetukan sistem prediktif menjadi lebih bervariasi. Dalam beberapa artikel tentang sistem prediktif, mengamati classifier dapat secara efektif digunakan untuk melakukan prediksi terhadap data keuangan. Masalah utama dari algoritma machine learning adalah kinerjanya sangat bergantung pada representasi data yang diberikan. Sehingga, prediksi harga saham menggunakan algoritma machine learning akan sulit. Oleh karena itu, digunakanlah pendekatan model deep learning yang tidak memerlukan rekayasa fitur yang dilakukan secara terpisah. Pendekatan model deep learning yang akan digunakan adalah Recurrent Neural Network (RNN) dan turunannya seperti Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Pada Tugas Akhir ini, dilakukan prediksi harga saham pada data transaksi pasar dengan berbagai uji coba dengan pendekatan deep learning. Dataset yang digunakan adalah hasil crawling dari tradingview.com yang terdiri dari 21 saham LQ45 Bursa Efek Indonesia dengan periode saham pada Oktober 2016 sampai dengan November 2021 yang berjumlah 1200 data per saham. Tahapan yang dilakukan pada tugas akhir ini adalah persiapan data, pembuatan sequence, training model dan diikuti dengan testing model. Uji coba dilakukan dengan menggunakan metode deep learning RNN, LSTM, dan GRU. Terdapat empat skenario uji coba, yaitu dengan menggunakan parameter input harga close, parameter input harga close, low, dan high, parameter input harga close, low, dan high, serta golden cross dan death cross, dan yang terakhir adalah menggunakan parameter input harga close, dan golden cross serta death cross. Semua skenario memiliki luaran yang sama yaitu harga close. Dari hasil uji coba diperoleh skenario terbaik menggunakan arsitektur Gated Recurrent Unit (GRU) dengan parameter input yaitu harga close dan output yang sama. Skenario tersebut menghasilkan nilai Mean Absolute Percentage Error (MAPE) sebesar 1.74 atau tingkat akurasi mencapai 98.26%.
=================================================================================================================================
Stocks can be defined as a sign of capital participation of a person or party (business entity) in a company or limited liability company. To date, stocks are one of the most popular financial market instruments. No wonder stock price movements become an interesting topic. Technological advances make the formation of predictive systems more varied. In several articles on predictive systems, observing the classifier can be used effectively to predict financial data. The main problem with machine learning algorithms is that their performance is highly dependent on the representation of the given data. So, predicting stock prices using machine learning algorithms will be difficult. Therefore, a deep learning model approach is used that does not require feature engineering to be done separately. The deep learning model approach that will be used is the Recurrent Neural Network (RNN) and its derivatives such as Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU). In this Final Project, stock price predictions on market transactions are carried out with various trials using a deep learning approach. The dataset used is the result of crawling from tradingview.com which consists of 21 stocks from LQ45 Indonesia Stock Exchange with a stock period from October 2016 to November 2021 which obtained 1200 data per stock. The stages carried out in this final project are data preparation, sequence creation, model training and followed by model testing. The trials were carried out using the deep learning RNN, LSTM, and GRU methods. There are four test scenarios, namely by using close price input parameters, close, low, and high price input parameters, close, low, and high price input parameters, as well as golden cross and death cross, and the last is using close price input parameters and golden cross and death cross. All scenarios have the same outcome, namely the close price. From the test results, the best scenario is obtained using the Gated Recurrent Unit (GRU) architecture with input parameters close price and the same output. This scenario produces a Mean Absolute Percentage Error (MAPE) value of 1.74 or an accuracy rate of 98.26%.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Prediksi Harga Saham, RNN, GRU.Stock Prediction
Subjects:	T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	10 Oct 2025 07:45
Last Modified:	10 Oct 2025 07:47
URI:	http://repository.its.ac.id/id/eprint/128555

Actions (login required)

View Item