Perbandingan Model Gated Recurrent Unit dan Long Short-Term Memory Dalam Prediksi Harga Saham
DOI:
https://doi.org/10.47701/9q31rx63Keywords:
Prediksi Harga Saham, Gated Recurrent Unit, Long Short-Term Memory, Data MiningAbstract
Mengikuti perkembangan ilmu perekonomian yang semakin meluas, pentingnya investasi di pasar modal kini semakin disadari oleh masyarakat. Ketidakstabilan dan risiko yang dialami bagi para investor menjadikan pertimbangan menyeluruh akan strategi dalam menghadapi pergerakan harga saham yang sulit ditebak. Penelitian ini menganalisa harga saham dengan membandingan model terbaik pada PT. Telkom Indonesia Tbk. menggunakan algoritma Gated Recurrent Unit (GRU) dan Long Short-Term Memory (LSTM). Penelitian ini menggunakan JupyterLab sebagai tools mengeksekusi proses pengembangan model. Kedua model dievaluasi berdasarkan nilai metric Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan R2. Hasil pengujian menunjukkan bahwa model LSTM memiliki tingkat kesalahan minimal, dengan RMSE sebesar 57,41, MAE sebesar 42.76, R2 sebesar 0.95, dan MAPE sebesar 0.02, yang menandakan model LSTM memberikan ketepatan prediksi yang lebih baik dibandingkan dengan model GRU.
References
[1] I. K. A. Enriko, F. N. Gustiyana, and R. H. Putra, “Komparasi Hasil Optimasi Pada Prediksi Harga Saham PT. Telkom Indonesia Menggunakan Algoritma Long Short Term Memory,” J. Media Inform. Budidarma, vol. 7, no. 2, p. 659, 2023, doi: 10.30865/mib.v7i2.5822.
[2] R. N. Silalahi and M. Muljono, “Perbandingan Kinerja Metode Linear Regression, LSTM dan GRU Untuk Prediksi Harga Penutupan Saham Coco-Cola,” Komputika J. Sist. Komput., vol. 13, no. 2, pp. 201–211, 2024, doi: 10.34010/komputika.v13i2.12265.
[3] Nabilah Selayanti, Dwi Amalia Putri, Trimono Trimono, and Mohammad Idhom, “Prediksi Harga Penutupan Saham Bbri Dengan Model Hybrid Lstm-Xgboost,” Inform. J. Tek. Inform. dan Multimed., vol. 5, no. 1, pp. 52–64, 2025, doi: 10.51903/informatika.v5i1.1011.
[4] F. A. Trimono, “Model ARMA-GARCH Prediksi Value-at-Risk pada Saham,” vol. 2, pp. 116–121, 2021.
[5] N. W. Saputra, F. Insani, S. Agustian, and S. Sanjaya, “Penerapan Deep Learning Menggunakan Gated Recurrent Unit Untuk Memprediksi Harga Minyak Mentah Dunia,” Build. Informatics, Technol. Sci., vol. 5, no. 1, 2023, doi: 10.47065/bits.v5i1.3552.
[6] D. K. H. Putra, “Program studi sistem informasi depok agustus 2024,” 2024.
[7] S. Mulia and D. Gustian, “Analisis Kinerja Algoritma Prediksi Saham pada PT GoTo Gojek Tokopedia Tbk ( GOTO ),” vol. 11, no. 1, pp. 53–67, 2025.
[8] Y. Perdana et al., “Analisis Perbandingan Model Gru Dan Lstm Untuk,” pp. 54–60, 2021.
[9] R. A. Hamzar and F. A. Setyaningsih, “Dampak Ukuran Dataset Pelatihan Terhadap Performa LSTM Network dalam Konteks Harga Saham,” Coding J. Komput. dan Apl., vol. 11, no. 2, p. 238, 2023, doi: 10.26418/coding.v11i2.62142.
[10] J. Brzozowska, J. Pizoń, G. Baytikenova, A. Gola, A. Zakimova, and K. Piotrowska, “Data Engineering in Crisp-Dm Process Production Data – Case Study,” Appl. Comput. Sci., vol. 19, no. 3, pp. 83–95, 2023, doi: 10.35784/acs-2023-26.
[11] V. Plotnikova, M. Dumas, A. Nolte, and F. Milani, “Designing a data mining process for the financial services domain,” J. Bus. Anal., vol. 6, no. 2, pp. 140–166, 2023, doi: 10.1080/2573234X.2022.2088412.
[12] G. Arya et al., “Analisis Pengaruh Rasio Keuangan Perbankan Terhadap Harga Saham Menggunakan Algoritma Random Forest,” Dangin Puri Klod, Kec. Denpasar Tim, vol. 12, no. 2, p. 244445, 2025, [Online]. Available: http://jurnal.mdp.ac.id
