Prediksi Harga Saham Bank Central Asia Menggunakan Algoritma Deep Learning GRU
Abstract
Stocks are an essential part of investment, often known for their fast-paced price fluctuations. Investing in stocks also requires strategies for deciding and predicting future stock prices, with current methods including technical, sentiment, and fundamental analysis. The aim of this research is to predict stock prices for PT Bank Central Asia's stock data from 2019 to 2024 using a deep learning classification algorithm, namely Gated Recurrent Units (GRU). The implementation of the model here is to find values such as RMSE, MSE, MAE, R-Squared, MGD, and MPD, and for evaluation metrics, values such as accuracy, f1-score, precision, and recall are sought. The dataset is divided into two models: training data and test data, with a model split of 80:20 and 60:40. The research results also indicate that the use of the 80:20 model appears to be better than the 60:20 model with a lookback of 15, timestep of 15, and epoch of 50, which yields RMSE 1.039, MSE 1.079, MAE 0.842, R-Squared 0.983, MGD 0.0037, and MPD 0.0197, along with an accuracy result of 54.87%, recall of 59.23%, f1-score of 58.11%, and precision of 57.03%.
Keywords: Stocks; Bank Central Asia; Deep Learning; Gated Recurrent Units
Abstrak
Saham adalah suatu bagian penting dalam investasi yang sering dikenal dengan investasi dengan fluktuasi harga yang cenderung cepat. Dalam berinvestasi saham juga membutuhkan strategi dalam memutuskan dan memprediksi harga saham kedepannya dimana untuk saat ini metode yang masih digunakan berupa analisis teknis, sentiment, dan fundamental. Penelitian saat ini bertujuan untuk melakukan prediksi harga saham terhadap data saham PT Bank Central Asia dari tahun 2019 sampai 2024 menggunakan algoritma klasifikasi deep learning, yaitu Gated Recurrent Units (GRU). Penerapan model disini untuk mencari nilai RMSE, MSE, MAE, R-Squared, MGD dan MPD lalu untuk nilai evaluasi mencari nilai accuracy, f1-score, precision, dan recall. Dataset yang dibagi menjadi dua model yaitu data latih dan data uji dengan model 80:20 dan 60:40, hasil penelitian juga memperlihatkan penggunaan model 80:20 terlihat lebih baik daripada model 60:20 dengan lookback 15, timestep 15, dan epoch 50, yang memiliki nilai RMSE 1.039, MSE 1.079, MAE 0.842, R-Squared 0.983, MGD 0.0037 dan MPD 0.0197 lalu hasil accuracy sebesar 54.87%, recall 59.23%, f1-square 58.11%, precission 57.03%.
Keywords
References
S. N. Agista, S. Rosi, N. F. Kaila, and I. Fajar, “Prediksi Harga Saham Bank BCA Menggunakan Metode Regresi Linier Berganda”, snsa, vol. 2, no. 1, pp. 237–251, Aug. 2023.
Athiaturrahman I. N, and R. Muhamad , “Pengaruh Penggunaan Modal terhadap Harga Saham Pada PT Bank Mandiri Tbk,” Soc. Sci. Acad., vol. 1, no. 2, pp. 249–258, Aug. 2023, doi: 10.37680/ssa.v1i2.3547.
Samsudin, M. H. Aninda and F. Sandra, “Implementasi Gated Recurrent Unit (Gru) Untuk Prediksi Harga Saham Bank Konvensional Di Indonesia,” JISTech (Journal Islam. Sci. Technol. JISTech, vol. 6, no. 2, pp. 42–49, Des. 2021.
G. T. A. Muhammad, Idham, P. Supriadi, and N. Mohamad, “Perbandingan Prediksi Harga Saham Dengan Menggunakan LSTM GRU Dengan Transformer,” smartcomp, vol. 11, no. 1, pp. 44-47 Jan. 2022.
T. Clara, H. Teny, and H. Janson, “Prediksi Harga Emas di Indonesia Menggunakan Gated Recurrent Unit,” J. Fasilkom, vol. 13, no. 3, pp. 480–488, Des. 2023.
W. S. Nugroho, I. Fitri, A. Surya, and S. Suwanto, “Penerapan Deep Learning Menggunakan Gated Recurrent Unit Untuk Memprediksi Harga Minyak Mentah Dunia,” Build. Informatics, Technol. Sci., vol. 5, no. 1, pp. 86–94, Jun. 2023, doi: 10.47065/bits.v5i1.3552.
S. Khalis, S. S. Aswan, R. R. Sasmitoh, and Z. K. Antika, “Perbandingan Algoritma Linear Regression, Lstm, Dan Gru Dalam Memprediksi Harga Saham Dengan Model Time Series,” SEMINASTIKA, vol. 3, no. 1, pp. 39–46, Nov. 2021, doi: 10.47002/seminastika.v3i1.275.
N. Andrew, “Perbandingan Model RNN, Model LSTM, dan Model GRU dalam Memprediksi Harga Saham-Saham LQ45,” J. Stat. dan Apl., vol. 6, no. 1, pp. 137-147 Jun. 2022.
T. Nrusingha, P. Surabi, and K. N. Subrat, “Forecasting Stock Market Indices Using Gated Recurrent Unit (GRU) Based Ensemble Models: LSTM-GRU,” Int. J. Comput. Commun. Technol., vol. 9, no. 1, pp. 85–90, Jul. 2023, doi: 10.47893/ijcct.2023.1443.
M. A. Muhammad, H. Tri, Y. P. Meli, and A. Siti, “Metodologi Penelitian Kuantitatif dan Penerapannya dalam Penelitian,” Educ. J., vol. 2, no. 2, pp. 1–6, Feb. 2022.
A. N. Darnisa, H. K. Hidayah, and C. Nurul, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN,” Comput. Eng. Sci. Syst. J., vol. 4, no. 1, pp. 78-87, Jan. 2019, doi: 10.24114/cess.v4i1.11458.
K. Alfio, Ermatita and N. I. Helena, “Analisis Sentimen Pada Ulasan Aplikasi Indodax di Google Play Store Menggunakan Metode Support Vector Machine,” Semin. Nas. Mhs. Ilmu Komput. dan Apl. Jakarta-Indonesia, vol. 3, no. 2, pp. 773-782. Aug. 2022.
A. P. P. Syaifulloh, B. A. Teguh, and F. Ridi, “Aspect Category Classification dengan Pendekatan Machine Learning Menggunakan Dataset Bahasa Indonesia (Aspect Category Classification with Machine Learning Approach Using Indonesian Language Dataset),” Jurnal Nasional Teknik Elektro dan Teknologi Informasi, vol. 10, no. 3, pp. 229-235, Aug. 2021.
C. Serafim, L. P. Dhea, A. H. Rizal, F. L. Ester, and C. Nurul, “Implementasi Seleksi Fitur Pada Algoritma Klasifikasi Machine Learning Untuk Prediksi Penghasilan Pada Adult Income Dataset,” Semin. Nas. Mhs. Ilmu Komput. dan Apl. Jakarta-Indonesia, vol. 2, no. 1, pp. 741–747, Apr. 2021.
W. Laras and S. Mujiono, “Penerapan Long Short Term Memory pada Data Time Series untuk Memprediksi Penjualan Produk PT. Metiska Farma,” j. nas. pendidik. teknik. inform., vol. 8, no. 3, pp. 184–196, Jan. 2020.
A. M. Muhammad, “Analisa perbandingan nilai akurasi moving average dan exponential smoothing untuk sistem peramalan pendapatan pada perusahaan XYZ,” J. Sist. dan Inform., vol. 13, no. 2, pp. 36–45, May. 2019.
A. S. Andik, M. Asfan, “Penerapan Metode Mean Absolute Error (Mea) Dalam Algoritma Regresi Linear Untuk Prediksi Produksi Padi,” SAINTEKBU, vol. 11, no. 1, pp. 78–83, Feb. 2019.
Natasya and H. Nusar, “Model Regresi Gamma pada Data Indeks Pendidikan Kabupaten/Kota di Provinsi Jawa Barat Tahun 2021” Bandung Conf. Ser. Stat., vol. 3, no. 2, pp. 192–199, Jul. 2023, doi: 10.29313/bcss.v3i2.7834.
Tendriyawati, N. A. W. Gusti and A. Bahriddin, “Pemodelan Regresi Poisson Terhadap Faktor-faktor Yang Mempengaruhi Terjadinya Hipertensi Di Kota Kendari” J. Mat. Komputasi dan Stat., vol. 3, no. 1, pp. 255–262, Apr. 2023.
How To Cite This :
Refbacks
- There are currently no refbacks.
