Perbandingan Metode Reccurent Neural Network dan Long Short Term Memory Untuk Prediksi Harga Saham Bank Mandiri
DOI:
https://doi.org/10.29407/noe.v8i02.24661Keywords:
Prediksi saham, RNN, LSTMAbstract
Saham merupakan jenis investasi yang mencerminkan kepemilikan suatu perusahaan dan menjadi indikator utama dalam menilai kinerja pasar keuangan. Fluktuasi harga saham dipengaruhi oleh beragam aspek, di antaranya keadaan perekonomian, kinerja perusahaan, dan persepsi pasar. Dalam sektor perbankan, saham Bank Mandiri menjadi salah satu bank yang sahamnya paling stabil dan strategis di Indonesia sehingga harga saham Bank Mandiri menjadi objek kajian yang menarik, terutama dalam menganalisis pola dan prediksi. Banyak sekali metode yang gunakan dalam memprediksi harga saham, salah satunya menggunakan RNN dan LSTM. Pada penelitian ini dilakukan perbandingan model RNNdan LSTM untuk memprediksi harga saham pada Bank Mandiri dengan menggunakan data penutupan saham dalam rentang waktu 2018 hingga 2024. Dalam beberapa pengujian didapatkan bahwa model LSTM memberikan hasil yang lebih baik dengan nilai RMSE sebesar 94,22 dan MAPE sebesar 1,56%, sementara RNN memperoleh nilai RMSE sebesar 191,91 dan MAPE 1,53%.
References
Al Kiramy, R., Permana, I., Marsal, A., Munzir, M. R., & Megawati, M. (2024). Perbandingan Performa Algoritma Rnn Dan Lstm Dalam Prediksi Jumlah Jamaah Umrah Pada Pt. Hajar Aswad. Malcom: Indonesian Journal Of Machine Learning And Computer Science, 4(4), 1224–1234. Https://Doi.Org/10.57152/Malcom.V4i4.1373
Alkahfi, C., Kurnia, A., & Saefuddin, A. (2024). Perbandingan Kinerja Model Berbasis Rnn Pada Peramalan Data Ekonomi Dan Keuangan Indonesia. Malcom: Indonesian Journal Of Machine Learning And Computer Science, 4(4), 1235–1243. Https://Doi.Org/10.57152/Malcom.V4i4.1415
Dinda, O., Dan, A. A., Andarini, S., Administrasi, P., Fisip-Upnv, B., & Timur, J. (2017). Pengaruh Profitabilitas Terhadap Harga Saham Pada Perusahaan Makanan Dan Minuman Yang Terdaftar Di Bursa Efek Indonesia. In Jurnal Bisnis Indonesia (Vol. 8, Issue 1).
Febrianti, F., Hafiyusholeh, M., & Asyhar, A. H. (2016). Perbandingan Pengklusteran Data Iris Menggunakan Metode K-Means Dan Fuzzy C-Means. 02(01).
Fitrirahmawati, M. (2019). Analisis Pengaruh Pasar Saham Terhadap Pertumbuhan Ekonomi Di Negara Berkembang (Suatu Kajian Literatur). 4(1).
Maricar, M. A., Widiadnyana, P., & Arta Wijaya, I. W. (2017). Analysis Of Data Mining For Forecasting Total Goods Delivery With Moving Average Method. International Journal Of Engineering And Emerging Technology, 2(1), 7. Https://Doi.Org/10.24843/Ijeet.2017.V02.I01.P02
Rezk, N. M., Purnaprajna, M., Nordstrom, T., & Ul-Abdin, Z. (2020). Recurrent Neural Networks: An Embedded Computing Perspective. In Ieee Access (Vol. 8, Pp. 57967–57996). Institute Of Electrical And Electronics Engineers Inc. Https://Doi.Org/10.1109/Access.2020.2982416
Rizki, M., Basuki, S., & Azhar, Y. (2020). Implementasi Deep Learning Menggunakan Arsitektur Long Short Term Memory Untuk Prediksi Curah Hujan Kota Malang. Repositor, 2(3), 331–338.
Roondiwala, M., Patel, H., & Varma, S. (2017). Predicting Stock Prices Using Lstm. International Journal Of Science And Research (Ijsr), 6(4), 1754–1756. Https://Doi.Org/10.21275/Art20172755
Schmidhuber, J. (2015). Deep Learning In Neural Networks: An Overview. In Neural Networks (Vol. 61, Pp. 85–117). Elsevier Ltd. Https://Doi.Org/10.1016/J.Neunet.2014.09.003
Selle, N., Yudistira, N., & Dewi, C. (2022). Perbandingan Prediksi Penggunaan Listrik Dengan Menggunakan Metode Long Short Term Memory (Lstm) Dan Recurrent Neural Network (Rnn). 9(1), 155–162. Https://Doi.Org/10.25126/Jtiik.202295585
Tsakila, N. F., Wirahadi, M. A., Fadilah, A. A., & Simanjuntak, H. (2024). Analisis Dampak Fintech Terhadap Kinerja Dan Inovasi Perbankan Di Era Ekonomi Digital. Indonesian Journal Of Law And Justice, 1(4), 11. Https://Doi.Org/10.47134/Ijlj.V1i4.2787
Wiranda, L., & Sadikin, M. (2019). Penerapan Long Short Term Memory Pada Data Time Series Untuk Memprediksi Penjualan Produk Pt. Metiska Farma (Vol. 8).
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Nailatul Fitriani A.J, Ghufron Ghufron
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
How to Cite
