Prediksi harga saham menggunakan long short-term memory (lstm)Berbasis Deep – learning

Abstract

Pasar modal merupakan salah satu
instrumen penting dalam perekonomian modern.
Prediksi harga saham menjadi tantangan tersendiri
karena data harga saham bersifat dinamis dan nonlinear.
Metode tradisional seperti ARIMA memiliki
keterbatasan dalam menangkap pola jangka panjang.
Dalam penelitian ini digunakan metode Long Short-
Term Memory (LSTM), salah satu arsitektur Recurrent
Neural Network (RNN), untuk memprediksi harga
saham Bank Central Asia (BBCA) berdasarkan data
historis harga penutupan harian. Model LSTM
dibangun menggunakan Python dengan library
TensorFlow/Keras dan dievaluasi menggunakan
metrik Mean Squared Error (MSE), Mean Absolute
Error (MAE), dan Root Mean Squared Error (RMSE).
Hasil penelitian menunjukkan bahwa LSTM mampu
memberikan prediksi yang lebih akurat dibandingkan
metode rata- rata bergerak, dengan nilai error yang
relatif rendah. Penelitian ini diharapkan dapat menjadi
referensi bagi pengembangan sistem prediksi saham
berbasis Deep Learning di masa depan.