PENERAPAN LONG SHORT-TERM MEMORY UNTUK PERAMALAN HARGA SAHAM PERUSAHAAN PERKEBUNAN DI INDONESIA
Abstract
Salah satu sekuritas yang popular di pasar modal adalah saham. Sekuritas ini
berkaitan dengan kepemilikan suatu perusahaan. Penurunan dan kenaikan harga
saham perusahaan perkebunan merupakan suatu masalah bagi investor dalam
membuat keputusan membeli atau menjual saham. Faktor-faktor yang
mempengaruhi pergerakan harga saham perkebunan diantaranya adalah fluktuasi
harga komoditas CPO, fluktuasi harga minyak dunia, fluktuasi nilai tukar Rupiah,
regulasi dan kebijakan pemerintah, permintaan dari negara importir, serta iklim.
Peramalan harga saham diharapkan dapat membantu investor untuk menghadapi
ketidakpastian pergerakan harga saham perkebunan. Penelitian ini menerapkan
Long Short-Term Memory (LSTM) untuk meramalkan harga saham perusahaan
perkebunan menggunakan data harga saham SSMS, LSIP, dan SIMP dari periode
1 Juli 2014 – 22 Juli 2019. Ketiga saham tersebut diambil dari Indeks Kompas100
periode Februari – Juli 2019. Pemodelan LSTM dalam penelitian ini difokuskan
pada pemilihan Optimizer dan jumlah neuron hidden. Berdasarkan hasil penelitian
didapatkan model LSTM terbaik pada saham SSMS dengan menggunakan
optimizer RMSProp dan hidden neuron sebanyak 70 menghasilkan nilai RMSE
sebesar 21,328. Kemudian model LSTM terbaik pada saham LSIP dengan
menggunakan optimizer Adam dan hidden neuron sebanyak 80 menghasilkan nilai
RMSE sebesar 33,097. Sedangkan model LSTM terbaik pada saham SIMP dengan
menggunakan optimizer Adamax dan hidden neuron sebanyak 100 menghasilkan
nilai RMSE sebesar 8,337. Hasil peramalan ketiga harga saham untuk periode 23
Juli – 25 Juli 2019 cenderung mengalami kenaikan.
Collections
- Statistics [899]