PREDIKSI INDEKS SAHAM PADA BURSA EFEK INDONESIA MENGGUNAKAN MODEL PREDIKSI REGRESI DENGAN ALGORITMA LONG SHORT TERM MEMORY

Dhanio, Frederick Alfhendra (2018) PREDIKSI INDEKS SAHAM PADA BURSA EFEK INDONESIA MENGGUNAKAN MODEL PREDIKSI REGRESI DENGAN ALGORITMA LONG SHORT TERM MEMORY. S1 thesis, UNIVERSITAS ATMA JAYA YOGYAKARTA.

Preview	Text (Frederick Alfhendra Dhanio) 140707807_Bab 0.pdf Download (757kB) | Preview
Preview	Text 140707807_Bab 1.pdf Download (426kB) | Preview
Preview	Text 140707807_Bab 2.pdf Download (1MB) | Preview
	Text 140707807_Bab 3.pdf Restricted to Registered users only Download (348kB)
	Text 140707807_Bab 4.pdf Restricted to Registered users only Download (3MB)
Preview	Text 140707807_Bab 5.pdf Download (872kB) | Preview

Abstract

lndeks saham merupakan salah satu bidang yang banyak dipelajari oleh maupun peneliti di masa kini. Dengan mempelajari indeks saham, kita dapat menentukan dasar pilihan investasi. Akan tetapi yang menjadi masalah adalah terdapat persepsi antara investor inilah yang akan mempengaruhi tindakan investor dalam menentukan kebijaksanaan investasinya yang akan menyebabkan adanya fluktuasi harga saham. Namun pada saat ini, informasi harga saham dari data historis dapat menggambarkan karakteristik fluktuasi indeks saham tersebut. Dari data historis inilah kita dapat membuat sebuah model peramalan yang dapat menggambarkan bagaimana sifat informasi harga saham tersebut dan informasi harga saham itu dapat terbentuk sedemikian rupa sampai dengan informasi harga saham pada saat ini. Pada proyek tugas akhir ini, peneliti membuat model prediksi regresi untuk peramalan harga saham menggunakan Recurrent Neural Network dengan algoritma Long Short Term Memory dan optimizer Adaptive Moment Estimation dengan data masukan adalah indeks penutupan pada hari itu. Indeks yang diteliti terdiri dari indeks saham gabungan dan indeks sektoral yakni agrikultur, finansial, infrastruktur, pertambangan, dan properti pada Bursa Efek Indonesia (BEi). Kemudian dari indeks penutupan saham • saham ini akan dilakukan peramalan dengan model temporal data mining untuk mengolah sekuens dari data time series. Dalam penelitian ini, jumlah Hidden Layer yang dapat menghasilkan galat Root Mean Square Error (RMSE) terendah adalah 6 dengan galat RMSE 29,4404 untuk indeks IHSG. Selain itu proses normalisasi juga menurunkan galat RMSE dari 1531.3544 hingga 29,4404. Kemudian ADAM optimizer juga merupakan optimizer yang dapat menghasilkan galat terendah pada IHSG yakni 29,4404 dibanding optimizer lain. Dari basil penelitian dapat disimpulkan bahwa algoritma LSTM dengan Hidden Layer 6 dan optimizer ADAM dapat memprediksi data indeks saham yang diolah menggunakan metode prediksi regresi dengan baik dibandingkan model Hidden Layer lain dengan optimizer berbeda.

Actions (login required)

View Item