Prediksi Harga Saham Sektor Perbankan Menggunakan Metode Deep Learning Berbasis LSTM dan GRU dengan Memperhitungkan Faktor Eksternal.

Abstract

Penelitian ini mengkaji pendekatan prediksi harga saham dengan menggunakan algoritma Deep Learning, khususnya Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Dalam konteks pasar modal Indonesia, di mana pertumbuhan ekonomi dan faktor faktor eksternal, seperti pandemi, memainkan peran penting, penelitian ini mengeksplorasi cara meningkatkan akurasi prediksi harga saham. Dengan merinci konsep normalisasi dan denormalisasi data, serta menerapkan metrik evaluasi seperti Mean Square Error (MSE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE), penelitian ini bertujuan mengatasi kompleksitas prediksi harga saham. Melalui implementasi LSTM, yang memiliki keunggulan dalam memproses data jangka panjang, penelitian ini memberikan kontribusi pada pemahaman terkini dalam menghadapi tantangan prediksi harga saham. Hasil eksperimen terbaik yang diperoleh adalah pada pengujian model GRU menggunakn data bank BBCA dengan window size 7 dimana didapat matriks evaluasi MSE 12023.1,RMSE 109.65, dan MAPE sebesar 0.99 dan analisis mendalam dari pengujian model LSTM dan GRU dapat memberikan wawasan berharga bagi para pelaku pasar dan peneliti di bidang keuangan yang berkepentingan dalam meningkatkan ketepatan prediksi harga saham.