ABSTRAK Dimas Fasdhia Daniswara
PUBLIC Dwi Ary Fuziastuti
COVER Dimas Fasdhia Daniswara
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
BAB 1 Dimas Fasdhia Daniswara
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
BAB 2 Dimas Fasdhia Daniswara
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
BAB 3 Dimas Fasdhia Daniswara
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
BAB 4 Dimas Fasdhia Daniswara
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
BAB 5 Dimas Fasdhia Daniswara
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
PUSTAKA Dimas Fasdhia Daniswara
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
Sistem kompleks merupakan sebuah sistem yang terdiri dari banyak bagian dan saling
berinteraksi, sehingga dari hasil interaksi tersebut timbul properti agregat yang tidak
dapat dilihat atau diprediksi dari sifat komponen individual sistem. Contoh dari sebuah
sistem kompleks adalah Pasar saham. Pasar saham sudah lama menjadi objek
penelitian bagi ekonom, matematikawan, dan belakangan ini fisikawan. Salah satu fenomena
pasar saham yang dijadikan objek penelitian adalah pergerakan harga saham.
Pada penelitian ini pergerakan saham akan dimodelkan dengan menggunakan metode
Long-Short Term Memory (LSTM) yaitu salah satu jenis machine learning yang dapat
digunakan untuk memproses data bersifat nonlinear seperti harga saham. Tujuan dari
penelitian ini adalah memodelkan pergerakan dari indeks gabungan INFOBANK15,
menentukan hyperparameter terbaik untuk pemodelan dan menentukan rekomendasi
investasi.
Dalam LSTM terdapat parameter atau hyperparameter yang digunakan untuk mengoptimalkan
pembelajaran model. Parameter-parameter yang divariasikan adalah learning
rate dan batch size sedangkan parameter yang lain akan dibuat konstan. Hasil dari pemodelan
akan di validasi berdasarkan nilai Root Mean Square Error (RMSE), Mean
Absolute Percentage Error (MAPE),Correlation Coeffiecient (R). Hasil Penelitian menunjukkan
bahwa model yang paling optimal diberikan ketika jumlah neuron adalah
30, nilai learning rate dan batch size adalah 0.01 dan 16 dengan nilai rata-rata RMSE,
MAPE,R yang dihasilkan adalah 14.4413, 0.9524, 0.9609 dalam 10 replikasi. Nilai
ini mengindikasikan LSTM dapat mempelajari pergerakan dari saham INFOBANK15
dengan baik.
Model terbaik tersebut digunakan untuk memprediksi pergerakan indeks INFOBANK15
pada periode Januari sampai Februari tahun 2023. Model memberikan performa prediksi
yang baik pada periode tersebut dengan nilai RMSE, MAPE dan R adalah 12.687,
0.08 dan 0.913 . Nilai hasil prediksi dan aktual digunakan untuk menentukan volatilitas
INFOBANK15 dan ditemukan volatilitas INFOBANK15 lebih tinggi dibandingkan volatilitas
prediksi, indeks LQ45 dan IHSG ,sehingga indeks INFOBANK15 dapat menjadi
pilihan investasi untuk seseorang dengan profil risiko yang tinggi. Berdasarkan hasil
prediksi model, periode akhir agustus 2023 sampai awal Desember 2023 indeks INFOBANK15
mengalami penurunan selama pertengahan Agustus sampai awal Desember
kemudian menuju pertengahan desember terjadi pemulihan yang cepat.