PREDIKSI HARGA PENUTUPAN SAHAM BBRI MENGGUNAKAN METODE ARIMA, LSTM DAN CNN

Budiman, Iqbal Arif (2026) PREDIKSI HARGA PENUTUPAN SAHAM BBRI MENGGUNAKAN METODE ARIMA, LSTM DAN CNN. Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (1MB)
	Text BAB 1.pdf Download (393kB)
	Text BAB 2.pdf Download (674kB)
	Text BAB 3.pdf Download (995kB)
	Text BAB 4.pdf Download (5MB)
	Text BAB 5.pdf Download (310kB)
	Text LAMPIRAN.pdf Download (677kB)

Abstract

Pergerakan harga saham yang bersifat fluktuatif dan non-linear menimbulkan
tantangan dalam proses peramalan, khususnya pada saham PT Bank Rakyat Indonesia (Persero) Tbk (BBRI) sebagai salah satu saham berkapitalisasi besar di Bursa Efek Indonesia. Penelitian ini bertujuan untuk membandingkan kinerja metode statistik klasik Autoregressive Integrated Moving Average (ARIMA) dengan pendekatan deep learning, yaitu Long Short-Term Memory (LSTM) dan Convolutional Neural Network (CNN), dalam memprediksi harga penutupan saham BBRI. Data yang digunakan merupakan data historis periode 2008–2025 yang diperoleh dari Yahoo Finance. Tahapan penelitian meliputi pra-pemrosesan data, normalisasi menggunakan Min-Max Scaling, pembentukan sequence window, serta pembagian data secara kronologis dengan skema 80%:20% dan 70%:30%. Evaluasi model menggunakan metrik MSE, RMSE, MAE, dan MAPE. Hasil penelitian menunjukkan bahwa model deep learning secara signifikan lebih unggul dibandingkan ARIMA. Pada skema 80%:20%, LSTM menghasilkan performa terbaik dengan MAPE
1,83% dan RMSE 109,99. Pada skema 70%:30%, CNN menunjukkan stabilitas terbaik dengan MAPE 2,23% dan RMSE 125,17. Sebaliknya, ARIMA menghasilkan tingkat kesalahan yang jauh lebih tinggi, terutama pada periode pengujian yang lebih panjang. Proyeksi 60 hari ke depan menunjukkan bahwa hasil peramalan bersifat model-dependent, dengan LSTM dan CNN menghasilkan prediksi yang lebih adaptif terhadap dinamika harga saham. Penelitian ini menegaskan bahwa pendekatan berbasis deep learning lebih efektif dalam memodelkan karakteristik data saham yang kompleks dan dinamis dibandingkan metode statistik tradisional.

Item Type:	Thesis (Diploma)
Subjects:	T Technology > T Technology (General) T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Sistem Informasi
Depositing User:	Delvy Aplirizani -
Date Deposited:	02 Jun 2026 07:24
Last Modified:	02 Jun 2026 07:24
URI:	https://repository.unas.ac.id/id/eprint/16343

Actions (login required)

View Item