Pengembangan model prediksi saham perbankan Indonesia dengan optimasi algoritma Long Short-Term Memory (LSTM)

Abstrak

Saham perbankan telah menarik perhatian publik karena sering dianggap relatif stabil dan mampu mencerminkan kondisi perekonomian saat ini. Namun, pada kenyataannya, saham perbankan menunjukkan volatilitas yang cukup tinggi karena berbagai faktor, baik internal maupun eksternal, seperti suku bunga dan kondisi ekonomi. Oleh karenanya, diperlukan model prediksi saham yang akurat untuk membantu investor dalam mengambil keputusan investasi dan mengurangi risiko kerugian. Penelitian ini mengusulkan sebuah model prediksi saham menggunakan algoritma deep learning Long Short-Term Memory (LSTM). Dataset yang digunakan adalah data saham selama 10 tahun dari Bank Indonesia yang terdaftar di Bursa Efek Jakarta, dari tahun 2014 sampai 2023. LSTM dipilih karena algoritma ini dikenal cukup efektif dalam memprediksi data deret waktu dan memiliki kemampuan untuk menangkap hubungan jangka panjang dan pola dalam data. Hasil dari model ini dioptimalkan optimizer Adam dan teknik hyperparameter tuning. Hasil penelitian menunjukkan bahwa Model LSTM yang dioptimasi memiliki nilai Mean Absolute Error 3,42%, yang menunjukkan tingkat akurasi prediksi yang tinggi dan dapat diandalkan.