Implementasi Metode Long Short-Term Memory Dalam Prediksi Indeks Harga Saham Gabungan Saat Pemilihan Umum Presiden dan Wakil Presiden Indonesia Tahun 2019

Abstract

Pandemi COVID-19 pada tahun 2020 lalu memunculkan banyak investor baru yang terjun ke pasar modal saham dengan pengetahuan minim. Oleh karena itu, untuk membantu analisa teknikal investor, dirancang sebuah machine learning untuk memprediksi harga saham dengan metode Long Short-Term Memory (LSTM). Namun dalam penggunaannya, LSTM sudah mampu untuk memprediksi pasar modal saham dengan baik pada kondisi normal. Untuk itu, dilakukan pengujian LSTM pada saat kondisi tertentu seperti Pemilu 2019 untuk memastikan apakah LSTM dapat menghasilkan tingkat akurasi yang baik pada saat kondisi tidak normal. Dari hasil percobaan yang dilakukan, LSTM sendiri mampu untuk memprediksi harga saham dengan matriks Mean Absolute Percentage Error (MAPE) dalam rata-rata periode Pemilu 2019 yaitu dibawah 1.2% untuk (Indeks Harga Saham Gabungan) IHSG dan sektor infrastruktur. Dilakukan pula pengujian menggunakan matriks (Root Mean Square Error) RMSE di mana didapatkan hasil yang baik yaitu 65,45 dan 13.3 untuk IHSG dan saham di sektor infrastruktur Namun apabila dilakukan pengujian pada sektor keuangan, LSTM tidak mampu memprediksi dengan baik karena banyak faktor yang mempengaruhi harga saham di sektor keuangan.