PREDIKSI HARGA SAHAM MENGGUNAKAN METODE LONG SHORT TERM MEMORY STUDI KASUS : SAHAM INTEL CORPORATION

Indah Winarni; Nunik Pratiwi;

Prediksi Harga Saham Menggunakan Metode Long Short Term Memory

Studi Kasus : Saham Intel Corporation

Indah Winarni

Perkembangan dalam bidang teknologi kecerdasan buatan telah mendorong penerapan teknik deep
learning dalam analisis pasar keuangan, khususnya dalam meramalkan harga saham. Penelitian ini
bertujuan untuk membuat sebuah model yang bisa memperkirakan harga saham Intel Corporation
menggunakan metode Long Short-Term Memory (LSTM) untuk mendukung pengambilan
keputusan dalam investasi. Metode yang dilakukan mencakup pengumpulan data historis dari
Kaggle data yang digunakan berjumlah 1445 dataset, preprocessing data (cleansing, scaling, dan
membagi data untuk pelatihan dan pengujian), merancang model LSTM, dan melakukan evaluasi
dengan menggunakan Root Mean Squared Error (RMSE). Model ini dilatih menggunakan 150
epoch dengan fungsi aktivasi tanh dan optimizer Adam. Hasil dari pengujian ini menunjukkan
bahwa model LSTM mendapatkan nilai RMSE sebesar 0.0230 paling rendah, serta menunjukkan
pola pergerakan harga yang sangat realistis. Hasil ini menunjukkan bahwa LSTM merupakan
metode yang efisien untuk memodelkan data deret waktu dalam memprediksi harga saham, serta
dapat berfungsi sebagai sumber informasi bagi investor dalam merancang strategi investasi yang
didasarkan pada data.
Kata kunci: kecerdasan buatan, deep learning, intel corporation, long short term memory (LSTM),
prediksi harga saham.

Prediksi Harga Saham Menggunakan Metode Long Short Term Memory Studi

Kasus : Saham Intel Corporation

Indah Winarni

Developments in the field of artificial intelligence technology have encouraged the application of
deep learning techniques in financial market analysis, especially in forecasting stock prices. This
research aims to create a model that can forecast Intel Corporation stock prices using the Long
Short-Term Memory (LSTM) method to support investment decision making. The method applied
includes collecting historical data from Kaggle the data used consists of 1,445 datasets,
preprocessing the data (cleansing, scaling, and dividing the data for training and testing), designing
the LSTM model, and performing evaluation using Root Mean Squared Error (RMSE). The model
was trained using 150 epochs with tanh activation function and Adam optimizer. The results of this
test show that the LSTM model has the lowest RMSE value of 0.0198, and shows a very realistic
price movement pattern. These results show that LSTM is an efficient method for modeling time
series data in predicting stock prices, and can serve as a source of information for investors in
designing investment strategies based on data.
Keywords: artificial intelligence, deep learning, intel corporation, long short term memory
(LSTM), stock price prediction