ANALISIS PREDIKSI SAHAM TESLA MENGGUNAKAN ALGORITMA LONG SHORT TERM MEMORY (LSTM)
DOI:
https://doi.org/10.70248/jcsit.v2i1.1482Keywords:
Prediksi harga saham, Tesla, Long Short Term Memory, deret waktu, analisis keuangan.Abstract
Penelitian ini mengkaji penggunaan algoritma Long Short-Term Memory (LSTM) untuk memprediksi harga saham Tesla, mengingat tingginya volatilitas harga saham yang menjadi tantangan bagi investor dalam mengambil keputusan investasi. Tujuan penelitian adalah merancang dan mengevaluasi model prediksi harga saham menggunakan LSTM. Data yang digunakan berasal dari Yahoo Finance periode Mei 2020 hingga Mei 2024, mencakup harga pembukaan, tertinggi, terendah, dan penutupan. Metodologi penelitian meliputi preprocessing data menggunakan StandardScaler, pembagian data training-testing dengan rasio 80:20, dan implementasi arsitektur LSTM dua lapisan dengan masing-masing 50 neurons. Hasil penelitian menunjukkan performa yang baik dengan nilai RMSE 0.042 dan MAPE 18.7%. Model berhasil mengikuti pola pergerakan harga saham dengan akurat, terutama dalam menangkap tren dan fluktuasi signifikan selama periode September 2023 hingga April 2024. Proses pelatihan dengan 100 epoch dan batch size 4 menunjukkan konvergensi yang stabil tanpa tanda-tanda overfitting. Penelitian ini memberikan kontribusi dalam pengembangan metode prediksi harga saham yang dapat membantu investor dalam mengambil keputusan investasi yang lebih informed.
References
Anggraeni, D. T. (2019). Forecasting harga saham menggunakan metode simple moving average dna web scrapping. Jurnal Ilmiah MATRIK, 21(3).
Asbullah, J., & Samsudin. (2024). Prediksi Harga Cryptocurrency Binance Berdasarkan Informasi Blokchain dengan Menggunakan Algoritma Random Forest. 8(1), 260–271. https://doi.org/10.30865/mib.v8i1.7100
Dhea Larasati, K., & Primandari, A. H. (2021). Forecasting Bitcoin price based on blockchain information using long-short term method. In Parameter: Journal of Statistics (Vol. 1). www.blockchain.com
Jaen, H., Darnila, E., & Fikry, M. (2019). Aplikasi peramalan kurs bitcoin_rupiah dengan menggunakan metode double exponential smoothing. TECHSI - Jurnal Teknik Informatika, 11(1), 106. https://doi.org/10.29103/techsi.v11i1.1295
Liantoni, F., & Agusti, A. (2020). Forecasting Bitcoin Using Double Exponential Smoothing Method Based on Mean Absolute Percentage Error. www.cryptocompare.com.
Persson, E. (2022). Forecasting Efficiency in Cryptocurrency Markets A machine learning case study.
Petrovic, A., Jovanovic, L., Zivkovic, M., Bacanin, N., Budimirovic, N., & Marjanovic, M. (2023). Forecasting Bitcoin Price by Tuned Long Short Term Memory Model. In Proceedings of the 1st International Conference on Innovation in Information Technology and Business (ICIITB 2022) (pp. 187–202). Atlantis Press International BV. https://doi.org/10.2991/978-94-6463-110-4_14
Rashid, N. A., & Ismail, M. T. (2023). Modelling and Forecasting the Trend in Cryptocurrency Prices. Journal of Information and Communication Technology, 22(3), 449–501. https://doi.org/10.32890/jict2023.22.3.6
Ridwan, M. miftah. (2023). Perbandingan hybrid ARIMA-LSTm dan ARIMA-GRU pada prediksi harga bitcoin.
Slamet Riyadi, A., Puspa Wardhani, I., & Andi Perdana, dan. (2023). Aplikasi perbandingan prediksi harga bitcoin menggunakan deep learning dengan metode arima,sarima,LSTM dn gradient boosting regressor. Seminar Nasional Teknologi Informasi Dan Komunikasi STI&K (SeNTIK), 7(1).
Atmojo, F.W. et al. (2024) ‘ANALISIS PEMANFAATAN MACHINE LEARNING GUNA PREDIKSI INDEKS’, 9(2).
Budiprasetyo, G., Hani’ah, M. and Aflah, D.Z. (2023) ‘Prediksi Harga Saham Syariah Menggunakan Algoritma Long Short-Term Memory (LSTM)’, Jurnal Nasional Teknologi dan Sistem Informasi, 8(3), pp. 164–172. Available at: https://doi.org/10.25077/teknosi.v8i3.2022.164-172.
Chen, Y. and Perez, Y. (2018) ‘Business Model Design: Lessons Learned from Tesla Motors’, pp. 53–69. Available at: https://doi.org/10.1007/978-3-319-79060-2_4.
Luthfiansyah, R. and Wasito, B. (2023) ‘Penerapan Teknik Deep Learning (Long Short Term Memory) dan Pendekatan Klasik (Regresi Linier) dalam Prediksi Pergerakan Saham BRI’, Jurnal Informatika dan Bisnis, 12(2), pp. 42–54. Available at: https://doi.org/10.46806/jib.v12i2.1059.
Yenila, F., Marfalino, H. and Defit, S. (2023) ‘Model Analisis Machine Learning dengan Pendekatan Deep Learning dalam Penentuan Kolektabilitas’, JST (Jurnal Sains dan Teknologi), 12(2), pp. 403–414. Available at: https://doi.org/10.23887/jstundiksha.v12i2.54035.
Zayini Anwar, M. and Habibi, S. (2020) ‘Analisis Prediksi Performasi Arah Pergerakan Saham Apple (Appl) Menggukan Metode Recurrent Neural Networks/Long Short Term Memory Networks (Rnn/Lstm)’, (February).
Luthfiansyah, R., & Wasito, B. (2023). Penerapan Teknik Deep Learning (Long Short Term Memory) dan Pendekatan Klasik (Regresi Linier) dalam Prediksi Pergerakan Saham BRI. In Jurnal Informatika dan Bisnis (Vol. 12, Issue 2).
Pita, T., Suarna, N., & Dienwati Nuris, N. (2024). PENERAPAN MACHINE LEARNING DALAM MELAKUKAN PREDIKSI HARGA SAHAM PT. BANK MANDIRI (PERSERO) TBK DENGAN ALGORITMA LINEAR REGRESSION. In Jurnal Mahasiswa Teknik Informatika (Vol. 8, Issue 1).
Qiu, J., Wang, B., & Zhou, C. (2020). Forecasting stock prices with long-short term memory neural network based on attention mechanism. PLoS ONE, 15(1). https://doi.org/10.1371/journal.pone.0227222
Shahi, T. B., Shrestha, A., Neupane, A., & Guo, W. (2020). Stock price forecasting with deep learning: A comparative study. Mathematics, 8(9). https://doi.org/10.3390/math8091441
