Perpustakaan Digital ITB

Saham merupakan salah satu instrumen investasi yang paling diminati karena menawarkan potensi keuntungan yang tinggi. Salah satu model machine learning yang sering digunakan untuk menganalisis data time series, seperti harga saham, adalah model Long Short-Term Memory (LSTM), yang mana model ini dikembangkan untuk mengatasi masalah vanishing gradient pada model Recurrent Neural Network (RNN). Dalam beberapa tahun terakhir, penelitian mengenai Quantum Computing dan Quantum Machine Learning menjadi cukup populer. Salah satunya adalah penelitian mengenai model Quantum Long Short-Term Memory (QLSTM), yang mana model ini mengintegrasikan konsep Quantum Computing dengan LSTM klasik. Penelitian ini bertujuan untuk menentukan prediksi harga saham menggunakan model QLSTM, menentukan tingkat akurasi dari model QLSTM dalam memprediksi harga saham, dan membandingkan performa model QLSTM dan LSTM dalam prediksi harga saham. Perbandingan perfoma model QLSTM dan LSTM ditentukan dengan membandingkan nilai metrik MAPE dan RMSE. Berdasarkan hasil analisis yang dilakukan, hasil prediksi model QLSTM mampu mendekati nilai harga saham aktual dan memiliki tingkat akurasi yang sangat baik dengan nilai MAPE dibawah 2%. Setelah itu, diperoleh juga hasil perbandingan QLSTM dan LSTM, dengan nilai MAPE untuk QLSTM adalah 1,15%, 1,25%, dan 1,37% untuk masing-masing saham PGAS, UNVR, dan INCO. Sementara itu, nilai MAPE LSTM adalah 1,17%, 1,50%, dan 1,60%. Untuk RMSE, diperoleh nilai 17,77, 59,67, dan 98,40 untuk QLSTM, serta 19,14, 73,02, dan 115,55 untuk LSTM. Hasil ini menunjukkan bahwa model QLSTM memiliki performa yang lebih baik dibandingkan model LSTM klasik.