OPTIMASI PREDIKSI HARGA SAHAM PERUSAHAAN HOLDING MULTI SEKTOR MENGGUNAKAN MODEL CNN-LSTM

SUPRAPTO, MUHAMAD FAJAR (2026) OPTIMASI PREDIKSI HARGA SAHAM PERUSAHAAN HOLDING MULTI SEKTOR MENGGUNAKAN MODEL CNN-LSTM. Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (4MB)
	Text BAB I.pdf Download (234kB)
	Text BAB II.pdf Download (1MB)
	Text BAB III.pdf Download (1MB)
	Text BAB IV.pdf Download (2MB)
	Text BAB V.pdf Download (151kB)
	Text LAMPIRAN.pdf Download (560kB)

Abstract

Pergerakan harga saham memiliki karakteristik runtun waktu yang kompleks, non-
linear, dan dipengaruhi oleh berbagai faktor, sehingga memerlukan metode prediksi
yang mampu menangkap pola lokal dan ketergantungan temporal secara efektif.
Penelitian ini bertujuan untuk membandingkan kinerja model Convolutional Neural
Network (CNN), Long Short-Term Memory (LSTM), dan Hybrid CNN-LSTM
dalam memprediksi harga saham, serta menganalisis pengaruh panjang data historis
terhadap akurasi prediksi. Dataset yang digunakan adalah data historis saham PT
Astra International Tbk (ASII.JK) dan PT Saratoga Investama Sedaya Tbk
(SRTG.JK) periode 1 Januari 2016 hingga 31 Desember 2025 yang diperoleh dari
Yahoo Finance. Penelitian menggunakan dua skenario rentang waktu, yaitu 10
tahun dan 5 tahun, dengan pembagian data 80% untuk pelatihan dan 20% untuk
pengujian. Tahap prapemrosesan meliputi pembersihan data, penambahan indikator
Relative Strength Index (RSI), normalisasi menggunakan Min-Max Scaling, dan
pembentukan sequence menggunakan sliding window sepanjang 60-time steps.
Optimasi hyperparameter dilakukan menggunakan Bayesian Optimization untuk
memperoleh konfigurasi terbaik pada masing-masing model. Evaluasi dilakukan
menggunakan metrik Mean Squared Error (MSE), Root Mean Squared Error
(RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error
(MAPE). Hasil penelitian menunjukkan bahwa model LSTM menghasilkan kinerja
terbaik dengan tingkat kesalahan prediksi terendah pada sebagian besar skenario
dan emiten, serta menunjukkan kemampuan yang lebih baik dalam menangkap
ketergantungan temporal jangka panjang dibandingkan CNN dan Hybrid CNNLSTM.

Selain itu, penggunaan data historis yang lebih panjang secara umum
meningkatkan stabilitas dan akurasi prediksi model.

Item Type:	Thesis (Diploma)
Subjects:	H Social Sciences > HF Commerce H Social Sciences > HG Finance Q Science > Q Science (General) T Technology > T Technology (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Sistem Informasi
Depositing User:	Irna Irna Yunita
Date Deposited:	11 May 2026 06:50
Last Modified:	11 May 2026 06:50
URI:	https://repository.unas.ac.id/id/eprint/15882

Actions (login required)

View Item