Model Prediksi Harga Saham Apple Inc Pada Beberapa Bursa Efek Menggunakan Metode Multivariate Gated Recurrent Unit

##plugins.themes.academic_pro.article.sidebar##

Published Feb 16, 2023
Download
PDF
Statistic
Vol. 8 No. 1 (2022): Seminar Nasional Teknik Elekto dan Informatika - September 2022

##plugins.themes.academic_pro.article.main##

Cecilia Tania Emanuella
Program Studi Sistem Informasi, Universitas Hasanuddin, Makassar
Armin Lawi
1) Program Studi Sistem Informasi, Universitas Hasanuddin, Makassar 2) Institut Teknologi B.J. Habibie, Parepare
Hendra Hendra
Program Studi Sistem Informasi, Universitas Hasanuddin, Makassar

Abstract

Saham menjadi salah satu instrumen pasar keuangan dan investasi yang banyak diminati oleh investor. Pergerakan harga saham yang nonlinear dan nonstasioner yang dipengaruhi oleh banyak faktor, sehingga sangat sulit untuk meramalkan harga saham. Salah satu metode yang cocok untuk digunakan dalam memprediksi harga saham yang bersifat nonlinear adalah Recurrent Neural Network (RNN). Penelitian ini menggunakan salah satu arsitektur RNN yaitu Gated Recurrent Unit (GRU) untuk memprediksi harga saham dengan menggunakan model multivariate GRU sebagai masukannya menggunakan harga low, open, close, high dan volume dalam memprediksi harga low, open, close dan high. Evaluasi kinerja yang digunakan untuk mengukur tingkat kesalahan prediksi adalah MAE, RMSE, MAPE dan RMSPE. Berdasarkan hasil MAE dan RMSE dari AAPL(Nasdaq), APC.F(Frankfurt) dan AAPL.MX(Mexico) memberikan hasil tingkat kesalahan yang bernilai kecil. Adapun berdasarkan hasil evaluasi MAPE dan RMSPE memberikan hasil yang sangat baik dengan masing – masing persentase kesalahan yang dihasilkan < 10%. Kemudian didapatkan hasil yang baik pada hasil evaluasi RMSPE prediksi data train pada AAPL.MX(Mexico) dengan masing – masing persentase kesalahan yang dihasilkan berada pada 10% ≤ RMSPE < 20%.  

##plugins.themes.academic_pro.article.details##

References

  1. Arfan, A., & ETP, L. (2019). Prediksi harga saham di Indonesia menggunakan algoritma long short-term memory. SeNTIK, 3(1), 225–230.
  2. Cho, K., Van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning phrase representations using RNN encoder-decoder for statistical machine translation. EMNLP 2014 - 2014 Conference on Empirical Methods in Natural Language Processing, Proceedings of the Conference, 1724–1734. https://doi.org/10.3115/v1/d14-1179
  3. Dwiyanto, M. A., Djamal, C. E., & Maspupah, A. (2019). Prediksi Harga Saham menggunakan Metode Recurrent Neural Network. Seminar Nasional Aplikasi Teknologi Informasi (SNATI), 33–38.
  4. Fauzi, A. (2019). Forecasting Saham Syariah Dengan Menggunakan Lstm. Al-Masraf : Jurnal Lembaga Keuangan Dan Perbankan, 4(1), 65. https://doi.org/10.15548/al-masraf.v4i1.235
  5. Gao, P., Zhang, R., & Yang, X. (2020). The Application of Stock Index Price Prediction with Neural Network. Mathematical and Computational Applications, 25(3), 53. https://doi.org/10.3390/mca25030053
  6. Ghudafa, M., Akbar, T., Panggabean, S., & Noor, M. (2022). Perbandingan Prediksi Harga Saham Dengan Menggunakan LSTM GRU Dengan Transformer. 11(1), 2020–2023.
  7. Hastomo, W., Karno, A. S. B., Kalbuana, N., Nisfiani, E., ETP, L. (2021). Optimasi Deep learning untuk Prediksi Saham di. … (Jurnal Edukasi Dan …, 7(2), 133–140. https://jurnal.untan.ac.id/index.php/jepin/article/view/47411
  8. Herdianto. (2013). Prediksi Kerusakan Motor Induksi Menggunakan Tesis Oleh Herdianto Fakultas Teknik. Fakultas Teknik, Universitas Sumatera Utara, Medan.
  9. Karno, A. S. B. (2020). Prediksi Data Time series Saham Bank BRI Dengan Mesin Belajar LSTM (Long ShortTerm Memory). Journal of Informatic and Information Security, 1(1), 1–8. https://doi.org/10.31599/jiforty.v1i1.133
  10. Müller, F. (2020). Stock Market Prediction using Multivariate Time series and Recurrent Neural Networks in Python. https://www.relataly.com/stock-market-prediction-using-Multivariate-time-series-in-python/
  11. Rochman, E. M. S., & Djunaidy, A. (2014). Prediksi Harga Saham Yang Mempertimbangkan Faktor Eksternal Menggunakan Jaringan Saraf Tiruan. Jurnal Ilmiah NERO, 1(2), 5–11.
  12. Siringoringo, Z. (2021). Prediksi Tingkat Inflasi Nasional Menggunakan Metode Gated Recurrent Unit.
  13. Wardana, R. P. (2020). Penerapan Model Gated Recurrent Unit Untuk Peramalan Jumlah Penumpang Kereta Api Di PT.KAI (Persero).