Perpustakaan Digital ITB

Penelitian yang berjudul analisis prediksi dataset indeks saham S&P 500 dengan metode Convolutional Neural Network dan Long Short Term Memory, studi kasus saham up-trend dan down-trend ini dilatarbelakangi oleh berkembangnya penggunaan berbagai metode neural network dalam bidang ekonomi yakni prediksi harga saham khususnya metode CNN dan LSTM. Metode LSTM merupakan salah satu perkembangan dari model Recurrent Neural Network dimana memiliki beberapa memory cell dan gate units pada setiap neurons nya yang fungsinya digunakan untuk mengatur memori dalam setiap neurons. Hal ini mempermudah perhitungan terutama pada data berbasis waktu (time-series dependent). Adapun CNN yang fungsi utamanya mengenal dan mempelajari gambar serta pola pada perkembangannya dapat juga digunakan sebagai metode regresi seperti analisis saham. Penelitian ini bertujuan untuk mengetahui parameter yang tepat untuk metode neural network CNN berdasarkan input masukan yakni univariate dan multivariate serta LSTM dalam memprediksi dataset beberapa bidang saham pada indeks saham S&P 500 yang merupakan saham cenderung naik (Up-trend) serta cenderung turun (down-trend) serta menghitung error RMSE, MSE, dan MAPE tiap epochnya juga koefisien korelatif tiap metode, yang digunakan sebagai subjek pembanding antar metode sehingga diketahui metode terbaik. Data diperoleh dari pergerakan harga saham 2 buah dataset up-trend dan 2 buah dataset down-trend perusahaan di pasar saham S&P 500 dalam kurun waktu tertentu. Data harga saham tersebut kemudian dianalisis, meliputi prediksi harga open, high, low, dan close. Hasilnya untuk saham up-trend memiliki nilai error RMSE, MSE, MAPE serta koefisien korelasi terbaik jika didekati dengan metode LSTM yakni masing-masing 71,315 untuk RMSE, 5085,87 untuk MSE, 0,01703 untuk MAPE, serta koefisien korelasi sebesar 0,8833. Sementara saham down-trend memiliki nilai terbaik ketika didekati dengan CNN multivariate yaitu MAPE sebesar 0,0138, RMSE sebesar 0,599, MSE yakni 0,35974, serta koefisien korelasi 0,98909. Adapun kedepannya metode ini akan didekati dalam perhitungan prediksinya untuk epoch dan neuron yang sangat besar sehingga didapat nilai yang lebih teliti.