Perpustakaan Digital ITB

Salah satu metode yang dapat diterapkan untuk memprediksi nilai indeks saham adalah Bidirectional Long-Short Term Memory (BLSTM). Pada metode BLSTM, informasi mengalir maju dan mundur melalui jaringan sehingga memungkinkan pemodelan yang lebih baik untuk mengantisipasi pola tren dan mengenali pola kompleks berdasarkan data historis saham. Selanjutnya, diterapkan hyperparameter tunning untuk menemukan nilai kombinasi terbaik dari hyperparameter BLSTM (epoch, batch size, learning rate, dam number of neurons) agar diperoleh output yang optimal. Sebagai metode pembanding, maka digunakan Long-Short Term Memory (LSTM) dan juga Gaussian Process Regression (GPR). Penelitian ini bertujuan untuk menganalisis performa BLSTM dan pengaruh dari hyperparameter tunning terhadap hasil prediksi indeks saham yang cenderung mengalami perubahan indeks signifikan dengan adanya pandemi. Data yang digunakan merupakan data saham LQ45 pada periode Maret 2017 – Juli 2023. Data tersebut terbagi menjadi data latih, data uji, dan data prediksi. Data latih meninjau periode Maret 2017 – April 2022. Sedangkan data uji dan prediksi masing-masing meninjau rentang waktu pada April 2021 – Juli 2023 dan Agustus 2023 – Oktober 2023. Berdasarkan hasil analisis dan pengolahan data LQ45, maka diperoleh akurasi hasil prediksi sebesar 93.222% untuk metode BLSTM hyperparameter tunning, 93.086% untuk metode LSTM hyperparameter tunning, dan 93.212% untuk metode GPR. Selain itu, juga didapatkan grafik indeks saham di masa yang akan datang serta grafik buy & sell berdasarkan penerapan Moving Average (MA), yang mana diharapkan dapat menjadi bahan pertimbangan dalam berinvestasi