SEPTI, MUHAMMAD and Matulatan, Tekad and Irawan, Feri (2026) PERBANDINGAN METODE LONG SHORT-TERM MEMORY(LSTM) DAN BIDIRACTIONAL LONG-SHORT TERM MEMORY (BI-LSTM) DALAM MEMPREDIKSI PENUTUPAN HARGA SAHAM. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) MUHAMMAD_SEPTI_2101020072_TEKNIKINFORMATIKA - Cover.pdf - Published Version Download (727kB)
	Text (Abstrak) MUHAMMAD_SEPTI_2101020072_TEKNIKINFORMATIKA - Abstrak.pdf - Published Version Download (23kB)
	Text (BAB l) MUHAMMAD_SEPTI_2101020072_TEKNIKINFORMATIKA - BAB l.pdf - Published Version Download (92kB)
	Text (Daftar Pustaka) MUHAMMAD_SEPTI_2101020072_TEKNIKINFORMATIKA - Daftar Pustaka.pdf - Published Version Download (87kB)
	Text (Full text) MUHAMMAD_SEPTI_2101020072_TEKNIKINFORMATIKA - Full text.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Pergerakan harga saham bersifat fluktuatif dan non-linear, sehingga memerlukan model yang mampu menangkap pola deret waktu secara efektif. Penelitian ini bertujuan untuk membandingkan kinerja dua arsitektur deep learning, yaitu Long Short-Term Memory (LSTM) dan Bidirectional Long Short-Term Memory (Bi-LSTM), dalam memprediksi harga penutupan (closing price) saham perbankan yaitu BBCA, BBRI, dan BMRI. Data historis harian diperoleh dari Yahoo Finance periode 1 Januari 2019 hingga 30 Desember 2024. Data mengalami preprocessing berupa normalisasi Min-Max, pembentukan sliding window, dan pembagian data secara kronologis 70% training, 15% validation, 15% testing. Hyperparameter tuning dilakukan menggunakan Grid Search untuk mendapatkan konfigurasi terbaik pada masing-masing model. Evaluasi model menggunakan metrik RMSE, MAE, dan MAPE. Hasil penelitian menunjukkan bahwa LSTM memberikan performa lebih baik pada saham BBRI (MAPE 1,85%) dan BMRI (MAPE 1,57%), sedangkan Bi-LSTM unggul pada saham BBCA (MAPE 1,57%). Secara keseluruhan, LSTM lebih efisien secara komputasi dan stabil pada sebagian besar kasus. Penelitian ini membuktikan bahwa kedua model mampu memprediksi harga saham dengan akurasi tinggi (MAPE < 2%), namun pemilihan model yang optimal bergantung pada karakteristik masing-masing saham.

Actions (login required)

View Item