Peramalan Harga Saham Pertambangan Pada Bursa Efek Indonesia (BEI) Menggunakan Long Short Term Memory (LSTM)

Julian, Roby; Pribadi, Muhammad Rizky

doi:10.35957/jatisi.v8i3.1159

Cited by 8 publications

(8 citation statements)

References 1 publication

(1 reference statement)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…BUMI Resources Tbk. One of the studies using LSTM to predict stock prices in the mining sector has also been carried out by (Julian & Pribadi, 2021). Agusta et al (2021) using the LSTM algorithm to predict stock prices in the pharmaceutical sector.…”

Section: Introduction *mentioning

confidence: 99%

BUMI Stock Price Prediction Using Long Short Term Memory (LSTM) with Three Hyperparameter Tuning Regression

Hartono

2022

Quant. Econ. Manag. Stud.

View full text Add to dashboard Cite

Shares is one of investment with moderate to high level of risk profile and return rate, and is a legal ownership proof of a company (Ltd). To obtain an optimum return with possible low risk, price of shares can be predicted or analyzed via fundamental or technical analysis. One of the most popular technical analysis is by employing computer algorithms as a device to help making decision. Long short term memory (LSTM), as a deep improvement of recurrent neural networks (RNN), is a commonly used method to predict shares price. BUMI, as one of shares in the energy sector, is the most concerned shares due to the geopolitical conflict in Europe. This research aims to predict BUMI shares price using LSTM by considering three parameters, i.e. number of hidden layers, epoch, and learning rate. Linear regression is used to obtained optimum values of each parameter whichs further combined to yield the best performance of the algorithm. Based on the analysis, the combination of minimum and optimum parameters results in the best performance by RMSE value.

show abstract

Section: Introduction *mentioning

confidence: 99%

BUMI Stock Price Prediction Using Long Short Term Memory (LSTM) with Three Hyperparameter Tuning Regression

Hartono

2022

Quant. Econ. Manag. Stud.

View full text Add to dashboard Cite

show abstract

“…Salah satu faktor eksternal yang berpengaruh adalah faktor ekonomi makro seperti politik, sosial, kebijakan psikologis, dan variabel ekonomi [4]. Aktivitas analisis saham dapat dikategorikan menjadi analisis teknikal, fundamental, dan sentimen [3]. Analisis teknikal mengacu pada sejarah harga saham dan penggunaan berbagai teknik untuk mengembangkan sinyal atau tanda apakah akan menjual atau membeli suatu saham [5], [6].…”

unclassified

“…Namun, analisis fundamental tidak banyak digunakan dalam penelitian saham karena sulit diterapkan dalam pengembangan model dan bagaimana menggambarkan harga saham yang berfluktuasi [8], [9]. Analisis sentimen berfokus pada mengidentifikasi pengaruh beberapa faktor seperti berita dan operasi bisnis terhadap pergerakan saham [3].…”

unclassified

See 1 more Smart Citation

Prediksi Indeks Harga Saham Menggunakan Model Hibrida Recurrent Neural Network dan Genetic Algorithm

Pahlawan¹

2022

JATISI

View full text Add to dashboard Cite

Pasar saham merupakan salah satu faktor penting dalam merepresentasikan kondisi ekonomi suatu negara. Oleh karena itu, model prediksi diperlukan dalam melakukan analisis pergerakan nilai saham ke depannya. Penelitian ini menggunakan beberapa arsitektur seperti Elman, Long Short-Term Memory (LSTM), dan Gate Recurrent Unit (GRU) yang dikenal mampu mengatasi data non-linear. Namun yang menjadi permasalahan adalah bagaimana menentukan strategi melakukan konfigurasi parameter yang tepat. Kesalahan penentuan strategi dapat mengakibatkan pemborosan waktu dan sumber daya. Penelitian ini bertujuan membandingkan Genetic Algorithm (GA) dan gridsearch dari sisi kinerja dan waktu komputasi yang dibutuhkan. Arsitektur Elman melalui optimasi GA (Elman-GA) memiliki Root Mean Squared Error (RMSE) sebesar 165,33 dan arsitektur Elman melalui gridsearch (Elman-GS) menghasilkan 154,47. Dari segi waktu komputasi, Elman-GA jauh lebih cepat dengan membutuhkan 4874,51 detik sementara Elman-GS membutuhkan 7148,7 detik. Arsitektur LSTM melalui optimasi GA (LSTM-GA) memiliki RMSE sebesar 113,36 sementara LSTM melalui gridsearch (LSTM-GS) menghasilkan RMSE sekitar 111,94. Waktu komputasi LSTM-GA juga lebih cepat karena hanya 8733,86 detik sementara LSTM-GS membutuhkan 16537,42 detik. Arsitektur GRU melalui optimasi GA (GRU-GA) memiliki RMSE sebesar 120,19 dan arsitektur GRU melalui gridsearch (GRU-GS) menghasilkan RMSE sekitar 121,35. Dari segi waktu komputasi, GRU-GA jauh lebih cepat karena hanya membutuhkan 6996,62 detik sementara GRU-GS membutuhkan 19826,86 detik.

show abstract

“…januari 2017. Penelitian tersebut menghasilkan nilai RMSE sebesar 964.005 dengan nilai MAPE 1,479 % untuk model ARIMA (1 2 1) sedangkan pada model ARIMA (1) mendapatkan hasil RMSE sebesar 305.348, MAPE 0.651%, dan R-Square 0.635.Pada penelitian lain yang dilakukan oleh[12], menerapkan pemodelan LSTM untuk memprediksi harga saham pada pertambangan bursa efek indonesia dengan menggunakan dataset berjumlah 1261 data selama 5 tahun. Penelitian tersebut menghasilkan nilai RMSE pada emiten TINS dan emiten INCO masing -masing dengan nilai RMSE sebesar 31,71 pada variasi epoch 200 dan 139,67 pada vairasi epoch 50.ANFIS merupakan gabungan dari 2 metode yaitu fuzzy dan jaringan syaraf tiruan.…”

unclassified

Optimasi Anfis Untuk Prediksi Data Time Series

Muzani¹,

Utami²,

Hartanto³

2022

JATISI

View full text Add to dashboard Cite

ANFIS merupakan gabungan dari 2 metode yaitu fuzzy dan jaringan syaraf tiruan. Dari penggabungan 2 metode tersebut ANFIS memiliki kelebihan dalam melakukan prediksi data time series. Namun penggunaan metode ANFIS juga terdapat kekurangan. Kekurangan tersebut yaitu dapat menurunnya akurasi yang didapat. Penurunan tersebut dikarenakan data yang digunakan banyak yang bernilai error serta tidak bervariasi. Selain itu data yang digunakan tidak melalui proses preprocessing terlebih dahulu. Pengumpulan data berasal dari website BMKG. Data tersebut nantinya akan dilakukan proses preprocessing untuk mengatasi class imbalance. Hasil pelatihan dan pengujian dengan proses optimasi metode ANFIS dengan melakukan normalisasi dan pembersihan data erorr pada data curah hujan terdapat sedikit kesamaan baik dalam pelatihan dan pengujian. Untuk pengukuran performa akurasi prediksi menggunakan RMSE baik untuk rasio data 3:2 dan 4:1 masing – masing mendapatkan 0.0728 dan 0.0539. Berdasarkan hasil penerapan metode ANFIS dan normalisasi pada dataset curah hujan kabupaten sleman dengan parameter jumlah membership function, input membership function, learning rate, rasio data 3:2 dan 4:1 menunjukkan bahwa metode ANFIS dengan data yang sudah dilakukan proses normalisasi dan pembersihan data error dapat menjadi alternative metode untuk memprediksi tingkat curah hujan dengan data yang berjenis time series

show abstract

Peramalan Harga Saham Pertambangan Pada Bursa Efek Indonesia (BEI) Menggunakan Long Short Term Memory (LSTM)

Cited by 8 publications

References 1 publication

BUMI Stock Price Prediction Using Long Short Term Memory (LSTM) with Three Hyperparameter Tuning Regression

BUMI Stock Price Prediction Using Long Short Term Memory (LSTM) with Three Hyperparameter Tuning Regression

Prediksi Indeks Harga Saham Menggunakan Model Hibrida Recurrent Neural Network dan Genetic Algorithm

Optimasi Anfis Untuk Prediksi Data Time Series

Contact Info

Product

Resources

About