Janitra, Isvania Almira (2019) Peramalan Harga Saham dengan Menggunakan Metode Long Short-Term Memory (LSTM) RNN. Other thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
05211640000017-Undergraduate_Thesis.pdf - Accepted Version Download (4MB) | Preview |
Abstract
Harga saham sangatlah penting bagi sebuah perusahaan karena dengan menginvestasi saham, perusahaan dapat melakukan pendanaan jangka panjang dengan cara menjual saham tersebut. Harga saham selalu mengalami perubahan dan tidak selalu stabil. Harga saham bersifat non linier dan non stasioner yang disebabkan oleh berbagai faktor. Harga saham merupakan data non linier yang dimana tiap datanya membentuk hubungan hierarki sehingga data saham tersebut memiliki hubungan erat satu dengan yang lainnya (sequential). Harga saham merupakan data yang kompleks dengan kebisingan yang tidak terduga sehingga hal itu membuat harga saham sulit untuk diramalkan. Tetapi, peramalan harga saham di masa mendatang akan sangat berguna dan penting dalam perkembangan ekonomi serta dapat mempermudah perusahaan dan / atau investor dalam membuat keputusan finansial. Long Short-Term Memory (LSTM) merupakan salah satu arsitektur terbaik dari Recurrent Neural Network (RNN) yang sudah terbukti dapat memproses data yang bersifat sequential. LSTM seringkali digunakan untuk meramalkan harga saham karena LSTM memiliki efek yang signifikan untuk permasalahan time series yaitu dapat memahami struktur data secara dinamis dari waktu ke waktu dengan kapasitas prediksi yang tinggi. Hal tersebut sesuai karena data harga saham merupakan data yang non stasioner sehingga membutuhkan arsitektur yang dapat memahami struktur data secara dinamis dari waktu ke waktu. LSTM juga menggunakan sel memori sebagai unit perhitungan yang menggantikan neuron pada hidden layer jaringan. Oleh karena itu, LSTM dapat digunakan untuk meramalkan indeks harga saham di masa mendatang. Mean Absolute Percentage Error (MAPE) merupakan ukuran ketepatan relatif yang digunakan untuk mengetahui persentase penyimpangan hasil peramalan dengan data aktual. Sedangkan, Root Mean Square Error (RMSE) adalah akar kuadrat dari mean atau average kuadrat dari semua eror. Semakin kecil nilai MAPE dan RMSE maka akan semakin kecil tingkat kesalahan atau erornya. Peramalan harga saham dengan menggunakan Metode LSTM ini melibatkan variabel open, low, high, dan close dari harga saham harian Chevron Corporation dengan periode waktu 5 tahun dari tahun 2014-2019. Model LSTM terbaik yang diperoleh dari penelitian ini ialah model LSTM dengan satu hidden layer, 125 neuron hidden layer, 100 epochs, dan jenis optimizer Adam dengan nilai rata-rata MAPE testing sebesar 1.501% dan nilai rata-rata RMSE testing sebesar 2.397. Sedangkan untuk hasil peramalan harga saham Chevron Corporation satu bulan kedepan dengan model LSTM terbaik tersebut menghasilkan nilai MAPE sebesar 1.108% dan nilai RMSE sebesar 1.576. Dengan adanya penelitian tentang peramalan harga saham dengan menggunakan Metode LSTM ini diharapkan dapat membantu perusahaan dan / atau investor untuk mengetahui indeks harga saham di masa mendatang. Hal tersebut dapat dilakukan dengan memperhatikan hasil peramalan harga saham dengan akurasi terbaik. Akurasi hasil peramalan yang terbaik dapat diketahui dengan melihat hasil perhitungan nilai MAPE testing dan RMSE testing yang diperoleh dari peramalan tersebut. Dimana nilai MAPE di bawah 20% sudah dapat dikatakan baik dan nilai MAPE kurang dari 10% dinyatakan sangat baik. Sedangkan untuk nilai RMSE dapat dikatakan ideal jika nilai RMSE yang dihasilkan bernilai nol atau mendekati nol.
=================================================================================================================================
Stock price is very important for a company because by investing in shares, the company can make long-term funding by selling the shares. Stock prices always change and are not always stable. Stock prices are non-linear and non-stationary which are caused by various factors. Stock prices are non-linear data in which each data forms a hierarchical relationship so that the stock data has a close relationship with one another (sequential). Stock prices are complex data with unexpected noise so it makes stock prices difficult to predict. However, forecasting stock prices in the future will be very useful and important in economic development and can facilitate companies and / or investors in making financial decisions. Long Short-Term Memory (LSTM) is one of the best architectures of Recurrent Neural Network (RNN) which has been proven to be able to process sequential data. LSTM is often used to predict stock prices because LSTM has a significant effect on time series problems that is able to understand data structures dynamically from time to time with high predictive capacity. This is appropriate because stock price data is non-stationary data so it requires an architecture that can understand data structures dynamically from time to time. LSTM also uses memory cells as calculation units that replace neurons in the hidden layer network. Therefore, LSTM can be used to forecast the stock price index in the future. Mean Absolute Percentage Error (MAPE) is a measure of relative accuracy used to determine the percentage of deviation from forecasting results with aktual data. Whereas, Root Mean Square Error (RMSE) is the square root of the mean or average square of all errors. The smaller the MAPE and RMSE values the smaller the error or error rate. Forecasting stock prices using the LSTM Method involves the open, low, high, and close variables of Chevron Corporation's daily share price with a period of 5 years from 2014-2019. The best LSTM models obtained from this study are LSTM models with one hidden layer, 125 hidden layer neurons, 100 epochs, and Adam optimizer type with an average MAPE testing value of 1.501% and an average RMSE testing value of 2.397. As for the results of forecasting Chevron Corporation stock prices one month ahead with the best LSTM model produces a MAPE value of 1.108% and an RMSE value of 1.576. Mean Absolute Percentage Error (MAPE) is a measure of relative accuracy used to determine the percentage of deviation from forecasting results with aktual data. This can avoid problems in interpreting the measurement of accuracy relative to the magnitude of the aktual and predicted values. Where MAPE values below 20% can be said to be good, and MAPE values of less than 10% are stated to be very good. The smaller the MAPE value obtained, the smaller the error or error rate. With the research on stock price forecasting using the LSTM Method is expected to help companies and / or investors to find out the stock price index in the future. This can be done by taking into account the results of forecasting stock prices with the best accuracy. The best accuracy of forecasting results can be known by looking at the results of the value of MAPE testing and RMSE testing obtained from the forecasting. Where MAPE values below 20% can be said to be good and MAPE values less than 10% are declared very good. Whereas the RMSE value can be said to be ideal if the resulting RMSE value is zero or close to zero.
| Item Type: | Thesis (Other) |
|---|---|
| Additional Information: | RSSI 006.31 Jan p-1 2020 |
| Uncontrolled Keywords: | Harga Saham, Long Short-Term Memory (LSTM), Recurrent Neural Network (RNN), Mean Absolute Percentage Error (MAPE), Root Mean Square Error (RMSE) |
| Subjects: | Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) T Technology > T Technology (General) > T174 Technological forecasting |
| Divisions: | Faculty of Information Technology > Information System > 57201-(S1) Undergraduate Thesis |
| Depositing User: | Isvania Almira Janitra |
| Date Deposited: | 11 Mar 2025 04:31 |
| Last Modified: | 11 Mar 2025 04:31 |
| URI: | http://repository.its.ac.id/id/eprint/73027 |
Actions (login required)
 |
View Item |