Implementasi Recurrent Neural Network (RNN) & Long Short Term Memory (LSTM) dalam Peramalan Harga Saham Bank Syariah Indonesia (BSI) (Studi Kasus : Harga Penutupan Saham (Closing Price) PT. BSI Periode 9 Mei 2018 sampai 12 Januari 2024)

Abstract

Saham merupakan salah satu instrument keuangan utama yang memiliki peran sentral dalam pasar modal, dimana volatilitas dan dinamika harga saham menjadi faktor penting yang mempengaruhi keputusan investasi. Saham Bank Syariah Indonesia (BSI) menjadi salah satu instrumen yang menarik minat investor, terutama dalam konteks ekonomi syariah. Untuk meminimalisisr risiko kerugian dan mengoptimalkan potensi keuntungan, diperlukan suatu pendekatan analisis prediktif yang akurat dalam meramalkan pergerakan saham. Penelitian ini berfokus pada penggunaan model Recurrent Neural Network (RNN) dan Long Short Term Memory (LSTM) sebagai metode prediksi harga saham BSI. Kedua model ini dipilih karena kemampuannya dalam menangani data deret waktu yang kompleks dan dinamis, yang merupakan karateristik utama dalam prediksi harga saham. Hasil penelitian menunjukkan bahwa model LSTM secara signifikan lebih unggul dibandingkan dengan RNN dalam hal akurasi prediksi. Hal ini dibuktikan dengan nilai MAPE yang dicapai oleh model LSTM sebesar 2.22% yang jauh lebih rendah dibandingkan nilai MAPE pada model RNN yang sebesar 24.80%. penelitian ini mengidentifikasi adanya penurunan nilai loss yang konsisten seiring dengan peningkatan jumlah epoch pada kedua model, meskipun LSTM menunjukkan penurunan loss yang lebih stabil dan cepat. Penelitian ini mengidentifikasikan

bahwa model LSTM memiliki kemampuan yang lebih baik dalam menangkap pola- pola temporal yang kompleks dalam data harga saham BSI, sehingga dapat

digunakan sebagai alat prediksi yang lebih akurat bagi investor. Dengan demikian, model LSTM dapat memberikan kontribusi yag signifikan dalam keputusan investasi.