IMPLEMENTASI ALGORITMA LONG SHORT TERM MEMORY (LSTM) UNTUK PREDIKSI HARGA PENUTUPAN SAHAM PT. BANK CENTRAL ASIA TBK. (BCA)

Siti Najma Irananda; Achmad Rizal Dzikrillah;

ABSTRAK

Implementasi Algoritma Long Short Term Memory (LSTM) Untuk Prediksi Harga Penutupan Sahan PT. Bank Central Asia Tbk (BCA)

Siti Najma Irananda

Saham Bank BCA merupakan salah satu instrumen investasi yang bernilai ekonomi tinggi. Fluktuasi harga
saham BCA dapat memengaruhi keputusan investor dan perekonomian secara umum. Tujuan penelitian ini
adalah untuk memprediksi harga saham dimasa depan dengan cepat dan akurat sehingga investor dapat
melakukan tindakan preventif terhadap permasalahan yang ada. Penelitian ini akan menggunakan
algoritma LSTM dan dataset harga saham Bank BCA dari tanggal 01 Januari 2019 hingga 30 Agustus
2024. Berdasarkan pengujian dari penelitian ini, hasil terbaik yang didapatkan adalah dengan
menggunakan rasio pembagian data 80%:20%, epoch 100, batch size 32, learning rate 0.001, jumlah
neuron 50 dan fungsi optimasi Adam yang menghasilkan nilai MAPE 1,06% dan akurasi 98,94%. Dengan
menggunakan data harga penutupan saham selama 10 hari sebelumnya, model ini dapat memprediksi harga
saham hingga 7 hari ke depan.

Kata kunci: saham, prediksi harga, LSTM, MAPE

Implementation of the Long Short-Term Memory (LSTM) Algorithm for Predicting the Closing Price of PT Bank Central Asia Tbk (BCA) Stock

Siti Najma Irananda

Bank BCA’s stock is one of the high-value investment instruments. The fluctuations in BCA’s stock price
can influence investor decisions and the economy in general. The objective of this research is to predict
future stock prices quickly and accurately, allowing investors to take preventive actions against potential
issues. This research will use the LSTM algorithm and the dataset of Bank BCA’s stock prices from January
1, 2019, to August 30, 2024. Based on the tests conducted in this study, the best results were obtained using
a data split ratio of 80%:20%, 100 epochs, a batch size of 32, a learning rate of 0.001, 50 neurons, and
the Adam optimizer function, which resulted in a MAPE value of 1.06% and an accuracy of 98.94%. By
inputting the closing price data from the previous 10 days, this model can predict stock prices up to 7 days
ahead.

Keywords: stock, price predictions, LSTM, MAPE