TY  - THES
TI  - PREDIKSI HARGA SAHAM MENGGUNAKAN TEKNIK DEEP LEARNING DENGAN JARINGAN SARAF TIRUAN LONG SHORT-TERM MEMORY
EP  - 101
N1  - Saham memainkan peran yang cukup krusial dalam perekonomian dunia. Sifatnya yang fluktuatif yang disebabkan oleh berbagai macam faktor seperti ekonomi makro, harga komoditas, kinerja perusahaan, hingga sentimen publik. Dengan banyaknya indikator analisis yang dapat diterapkan untuk membantu proses analisis pergerakannya, saham masih menjadi bidang yang semakin hari, semakin sulit diprediksi arah geraknya. Perkembangan teknologi yang tidak dapat terhindarkan khususnya dalam bidang Artificial Intelligence, membuka peluang baru untuk meningkatkan akurasi prediksi harga saham. Oleh sebab itu, penelitian ini membangun model Deep Learning menggunakan algoritma Long Short-Term Memory (LSTM) untuk meningkatkan akurasi prediksi harga saham harian. 
Dalam penelitian ini, model prediksi harga saham di bangun dengan melibatkan penerapan algoritma Long Short-Term Memory (LSTM) yang diintegrasikan ke dalam Model Inference Pipeline menggunakan metode REST API untuk memungkinkan akses real-time dalam lingkungan produksi.  Model dilatih dan di validasi menggunakan data historis harga saham PT. Bank Central Asia dengan nilai Mean Squarred Error (MSE) 1033,00, Root Mean Squarred Error (RMSE) 32,14 dan Mean Absolute Percentage Error (MAPE) 0,24%. Sebagai bentuk evaluasi lanjutan, model LSTM juga dibandingkan dengan model Extreme Gradient Boosting (XGBoost). Hasil perbandingan menunjukkan bahwa model LSTM mampu mengungguli XGBoost dalam hal ketepatan prediksi. Namun, XGBoost memiliki keunggulan dalam hal waktu inferensi yang lebih cepat.
Sebagaimana yang telah di paparkan, dapat disimpulkan bahwa model Long Short-Term Memory (LSTM) yang dikembangkan mampu memberikan hasil prediksi saham secara akurat dengan kesalahan prediksi yang mini.
UR  - https://eprints.untirta.ac.id/51559/
A1  - MULYA, SITI AMALIA
AV  - restricted
M1  - sarjana
N2  - Stocks play a crucial role in the global economy. Their inherently fluctuating nature is influenced by various factors, such as macroeconomic conditions, commodity prices, company performance, and public sentiment. Despite the availability of numerous analytical indicators to assist in analyzing stock movements, predicting stock price trends remains increasingly challenging. The inevitable advancement of technology, particularly in the field of Artificial Intelligence, offers new opportunities to improve the accuracy of stock price predictions. Therefore, this study develops a Deep Learning model using the Long Short-Term Memory (LSTM) algorithm to enhance the accuracy of daily stock price predictions.
In this study, the stock price prediction model is built by implementing the Long Short-Term Memory (LSTM) algorithm integrated into a Model Inference Pipeline using the REST API method, enabling real-time access in a production environment. The model is trained and validated using historical stock price data of PT. Bank Central Asia (BCA), achieving a Mean Squarred Error (MSE) 1033,00, Root Mean Squarred Error (RMSE) 32,14 and Mean Absolute Percentage Error (MAPE) 0,24%. As a form of further evaluation, the LSTM model was also compared with the Extreme Gradient Boosting (XGBoost) model. The comparison results show that the LSTM model outperforms XGBoost in terms of prediction accuracy. However, XGBoost has the advantage of faster inference time.
Based on the results, it can be concluded that the developed Long Short-Term Memory (LSTM) model is capable of providing accurate stock price predictions with minimal prediction errors.
Y1  - 2025/07/14/
ID  - eprintuntirta51559
PB  - Fakultas Teknik Universitas Sultan Ageng Tirtayasa
ER  -