PREDIKSI HARGA DAN RISIKO SAHAM TELKOM DAN INDOSAT MENGGUNAKAN LSTM DAN VAR DENGAN VISUALISASI

Indera Nurul Alam; Nunik Pratiwi;

Prediksi Harga Dan Risiko Saham Telkom Dan Indosat Menggunakan LSTM

Dan VAR Dengan Visualisasi
Indera Nurul Alam

Investasi di Indonesia menunjukkan tren pertumbuhan, dengan Telkom (TLKM) dan Indosat
(ISAT) termasuk saham yang aktif diperdagangkan dan memiliki volatilitas tinggi. Sehingga
memunculkan kebutuhan untuk menghasilkan prediksi harga saham dan analisis risiko
investasi yang dapat diandalkan. Penelitian ini bertujuan membangun model prediksi harga
penutupan harian saham menggunakan algoritma Long Short-Term Memory (LSTM) dengan
arsitektur Bidirectional LSTM serta melakukan analisis risiko berbasis Value at Risk (VaR)
melalui simulasi Monte Carlo parametrik. Data historis saham selama 14 tahun digunakan dan
diproses melalui teknik feature engineering (return, moving average, volatilitas) serta
windowing sepanjang 30 hari. Model baseline dengan 1 hingga 4 lapisan diuji, dan model
terbaik dioptimalkan melalui tuning hyperparameter menggunakan metode Random Search.
Hasil prediksi menunjukkan bahwa model LSTM Bidirectional satu lapis menunjukkan
performa terbaik pada data testing. Evaluasi tersebut menunjukkan peningkatan performa yang
signifikan pasca tuning, dengan penurunan RMSE dari 69 ke 67, MAPE dari 1,61% ke 1,59%,
dan R-Square tetap tinggi di 0,97 untuk saham Telkom, serta penurunan RMSE dari 91 ke 74,
MAPE dari 2,81% ke 2,27%, dan peningkatan R-Square dari 0,76 ke 0,84 untuk saham
Indosat. Analisis VaR menunjukkan hasil prediksi risiko harian dan 80 hari memiliki deviasi
yang kecil terhadap nilai aktual, sehingga mendukung validitas pendekatan yang digunakan.
Seluruh hasil divisualisasikan melalui Streamlit untuk mendukung interaktivitas dan
pemahaman hasil.
Kata Kunci: Prediksi Saham, LSTM, Hyperparameter Tuning, Value at Risk, Visualisasi
Price and Risk Prediction of Telkom and Indosat Stocks Using LSTM and VAR

with Visualization
Indera Nurul Alam

Investment in Indonesia shows a growing trend, with Telkom (TLKM) and Indosat (ISAT)
among the stocks that are actively traded and have high volatility. This raises the need to
produce reliable stock price predictions and investment risk analysis. This study aims to build
a daily stock closing price prediction model using the Long Short-Term Memory (LSTM)
algorithm with Bidirectional LSTM architecture and conduct a Value at Risk (VaR) based risk
analysis through parametric Monte Carlo simulations. Historical stock data for 14 years is
used and processed through feature engineering techniques (return, moving average,
volatility) and windowing for 30 days. Baseline models with 1 to 4 layers are tested, and the
best model is optimized through hyperparameter tuning using the Random Search method. The
prediction results show that the one-layer Bidirectional LSTM model performs the best on the
testing data. The evaluation showed significant performance improvement after tuning, with
RMSE decreasing from 69 to 67, MAPE from 1.61% to 1.59%, and R-Square remaining high
at 0.97 for Telkom stock, and RMSE decreasing from 91 to 74, MAPE from 2.81% to 2.27%,