Perancangan Sistem Prediksi Harga Saham Berbasis Website Menggunakan Algoritma Hybrid (ARIMA-LSTM)
Abstract
Stock investment, known as a high-risk, high-return instrument, has gained significant attention during the pandemic with a notable 44.42% increase in novice investors in Sidoarjo City. This research focuses on developing a web-based stock price prediction system utilizing a hybrid algorithm (ARIMA-LSTM) and integrating the Extreme Programming method in its development. Quantitative stock price data were obtained from Yahoo Finance. The research outcome is an implemented system that meets user requirements. More importantly, the system is capable of providing stock price predictions that closely align with actual data for the period from 2018 to 2022. Model evaluation employing Mean Squared Error (MSE) yielded a value of 0.0078, Mean Absolute Error (MAE) with a value of 0.556, and Mean Absolute Percentage Error (MAPE) at 0.412, which is equivalent to 41.89%. These evaluation results indicate that the hybrid ARIMA-LSTM model performs well, delivering accurate predictions. This research has the potential to benefit investors, financial analysts, and stock market stakeholders, enabling more informed and efficient decision-making.
Keywords: Stock Prediction; Hybrid Algorithm; Extreme Programming; Web-Based System; ARIMA-LSTM.
Abstrak
Investasi saham, yang dikenal sebagai instrumen high risk, high return, menjadi sorotan selama pandemi dengan peningkatan signifikan investor pemula sebesar 44.42% di Kota Sidoarjo. Penelitian ini berfokus pada pengembangan sistem prediksi harga saham berbasis website dengan memanfaatkan algoritma hybrid (ARIMA-LSTM) dan mengintegrasikan metode Extreme Programming dalam pengembangannya. Data harga saham yang digunakan diperoleh melalui Yahoo Finance secara kuantitatif. Hasil penelitian ini adalah sistem yang berhasil diimplementasikan dan sesuai dengan kebutuhan pengguna. Lebih penting, sistem ini mampu memberikan prediksi harga saham yang mendekati data aktual untuk periode tahun 2018 hingga 2022. Evaluasi model menggunakan MSE (Mean Squared Error) dengan nilai 0.0078, MAE (Mean Absolute Error) dengan nilai 0.556, MAPE (Mean Absolute Percentage Error) dengan nilai 0.412 yaitu 41.89%. Hasil evaluasi ini menunjukkan bahwa model hybrid ARIMA-LSTM berkinerja baik, memberikan prediksi yang akurat. Penelitian ini berpotensi memberikan manfaat bagi para investor, analis keuangan, dan pemangku kepentingan pasar saham, memungkinkan pengambilan keputusan yang lebih informasi dan efisien.
Keywords
References
P. Gao, R. Zhang, and X. Yang, “The Application of Stock Index Price Prediction with Neural Network,” Math. Comput. Appl., vol. 25, no. 3, pp. 53-62, Aug. 2020, doi: 10.3390/mca25030053.
M. R. Hisbullah, “Pengaruh Profitabilitas terhadap Harga Saham Perusahaan SektorIndustri Barang dan Konsumsi di BEITahun 2017-2020,” Jur. Manaj. Fak. Ekon. dan Bisnis Univ. Negeri Surabaya, vol. 9, no. 2, pp. 794–803, 2021.
V. Puspaning Ramadhan, F. Yulian Pamuji, and A. History, “Analisis Perbandingan Algoritma Forecasting dalam Prediksi Harga Saham LQ45 PT Bank Mandiri Sekuritas (BMRI) Article Info ABSTRACT,” J. Teknol. dan Manaj. Inform. , vol. 8, no. 1, pp. 39–45, 2022, [Online]. Available: http://http//jurnal.unmer.ac.id/index.php/jtmi
X. Ji, J. Wang, and Z. Yan, “A stock price prediction method based on deep learning technology,” Int. J. Crowd Sci., vol. 5, no. 1, pp. 55–72, Apr. 2021, doi: 10.1108/IJCS-05-2020-0012.
F. A. Putri and S. S. Iriani, “Pengaruh Kepercayaan dan Kemudahan terhadap Keputusan Pembelian Menggunakan Pinjaman Online Shopee PayLater,” J. Ilmu Manaj., vol. 8, no. 3, pp. 818–828, 2020, doi: 10.26740/jim.v8n3.p818-828.
Berliana Viera Sabilla and Tri Kartika Pertiwi, “Pengaruh Bias Perilaku Terhadap Pengambilan Keputusan Investasi Saham Para Investor Pemula Di Kota Sidoarjo,” J. E-Bis, vol. 5, no. 2, pp. 353–364, Oct. 2021, doi: 10.37339/e-bis.v5i2.688.
R. Julian and M. R. Pribadi, “Peramalan Harga Saham Pertambangan Pada Bursa Efek Indonesia (BEI) Menggunakan Long Short Term Memory (LSTM),” J. Tek. Inform. dan Sist. Inf., vol. 8, no. 3, pp. 1596–1606, 2021, [Online]. Available: http://jurnal.mdp.ac.id
E. Dave, A. Leonardo, M. Jeanice, and N. Hanafiah, “Forecasting Indonesia Exports using a Hybrid Model ARIMA-LSTM,” in Procedia Computer Science, 2021, vol. 179, pp. 480–487. doi: 10.1016/j.procs.2021.01.031.
V. G. Utomo, N. Wakhidah, and A. N. Putri, “Prediksi Harga Saham Dengan Svm(Support Vector Machine) Dan Pemilihan Fitur F-Score,” J. Inform. UPGRIS, vol. 6, no. 1, pp. 32–37, 2020.
G. Budiprasetyo, M. Hani’ah, and D. Z. Aflah, “Prediksi Harga Saham Syariah Menggunakan Algoritma Long Short-Term Memory (LSTM),” J. Nas. Teknol. dan Sist. Inf., vol. 8, no. 3, pp. 164–172, 2023, doi: 10.25077/teknosi.v8i3.2022.164-172.
M. D. Izzati and M. D. Kartikasari, “Implementasi Metode Perhitungan Aktuaria Program Dana Pensiun Menggunakan Flask,” Jambura J. Math., vol. 4, no. 2, pp. 247–264, Jun. 2022, doi: 10.34312/jjom.v4i2.12954.
D. T. Anggraeni, “Peramalan Harga Saham Menggunakan Metode Autoregressive Dan Web Scrapping Pada Indeks Saham Lq45 Dengan Python,” Rabit J. Teknol. dan Sist. Inf. Univrab, vol. 5, no. 2, pp. 137–144, Jul. 2020, doi: 10.36341/rabit.v5i2.1401.
A. Hermawan, I. W. Mangku, N. K. K. Ardana, and H. Sumarno, “Analisis Support Vector Regression Dengan Algoritma Grid Search Untuk Memprediksi Harga Saham,” J. Math. Its Appl., vol. 18, no. 1, pp. 41–60, 2022, doi: 10.29244/milang.18.1.41-60.
C. Rahmadayanti, H. Rabbani, and A. A. Rohmawati, “Model GARCH dengan Pendekatan Conditional Maximum Likelihood untuk Prediksi Harga Saham,” Indones. J. Comput., vol. 3, no. 2, pp. 21–28, 2018, doi: 10.21108/indojc.2018.3.2.223.
W. R. U. Fadilah, D. Agfiannisa, and Y. Azhar, “Analisis Prediksi Harga Saham PT. Telekomunikasi Indonesia Menggunakan Metode Support Vector Machine,” Fountain Informatics J., vol. 5, no. 2, pp. 45–51, 2020, doi: 10.21111/fij.v5i2.4449.
M. Azizah, “Perbandingan Hybrid Algoritma Genetika dengan Multilayer Perception dan Geometric Brownian Motion untuk Memprediksi Harga Saham,” J. Math. Educ. Sci., vol. 5, no. 2, pp. 101–109, 2022, doi: 10.32665/james.v5i2.494.
K. M. Hindrayani, I. G. S. Mas Diyasa, P. A. Riyantoko, and T. M. Fahrudin, “Studi Literatur Mengenai Prediksi Harga Saham Menggunakan Machine Learning,” Pros. Semin. Nas. Inform. Bela Negara, vol. 1, pp. 71–75, 2020, doi: 10.33005/santika.v1i0.20.
M. Malyadi, N. R. Novawati, and R. B. Purnama, “Perancangan Prediksi Untuk Menentukan Indeks Harga Saham Penentuan Harga Saham Penetuan Pola Variabel Data Masukan Output ( Kesimpulan ) Pemrosesan Jaringan Syaraf Tiruan,” Kinetik, vol. 2, no. 2, pp. 125–130, 2017.
F. Gumelar et al., “Peramalan Harga Saham Bank BUMN Indonesia Menggunakan Long Short-Term Memory (LSTM),” Semin. Nas. Stat. AKTUARIA I, vol. 1, no. 1, pp. 1–8, 2022, [Online]. Available: http://prosiding.statistics.unpad.ac.id
L. Epriliani, Mayadi, and R. W. P. Pamungkas, “Implementasi Algoritma Naïve Bayes Untuk Memprediksi Kerusakan Sepeda Motor Pada Bengkel Citra Djaya Motor,” J. Inform. Inf. Secur., vol. 3, no. 1, pp. 59–72, 2022, doi: 10.31599/jiforty.v3i1.1268.
I. K. W. Y. Pratama, I. N. Y. Anggara, and K. Q. Fredlina, “Model Aplikasi Peramalan Sewa Mobil Camper Dengan Metode Single Exponential Smoothing Berbasis Web,” Jutisi J. Ilm. Tek. Inform. dan Sist. Inf., vol. 11, no. 2, pp. 359–370, 2022, doi: 10.35889/jutisi.v11i2.928.
K. Tanuwidjaja and A. Widjaja, “Prediksi dan Analisis Time Series pada Data COVID-19,” J. Strateg., vol. 4, pp. 144–158, 2022.
How To Cite This :
Refbacks
- There are currently no refbacks.
