Uji Performa Prediksi Metode Autoregressive Fractionally Integrated Moving Averages Dan Long Short-Term Memory Dengan Data Saham Dua Perusahaan Bank
Abstract
Saham adalah salah satu cara untuk orang berinvestasi untuk jangka panjang. Data saham dapat digunakan untuk analisa algoritma untuk memperoleh informasi nilai prediksi. Dalam penelitian ini algoritma yang digunakan untuk untuk mendapatkan model prediksi adalah metode Auto Regressive Fractionally Integrated Moving Averages (ARFIMA) dan Long Short-Term Memory (LSTM). Data saham yang digunakan adalah data saham dari IDX dengan data saham Bank Raya Indonesia Tbk. dan Bank IBK Indonesia Tbk. dalam periode September 2019 sampai Desember 2022 dengan data Closing atau penutupan sebagai fiturnya. Hasil pengolahan dari model ARFIMA terbaik adalah model ARFIMA(8,0.5,0) dari data BRI dengan SMAPE sebesar 5.57% dan model ARFIMA(4,0.5,0) dari data Bank IBK Indonesia dengan SMAPE sebesar 23.31%. Untuk hasil terbaik LSTM BRI adalah 1.61% dengan 150 epoch dan LSTM Bank IBK Indonesia adalah 2.22% dengan 300 epoch. Model terbaik yang dihasilkan adalah model LSTM dengan 150 epoch untuk BRI dan model LSTM dengan 300 epoch. Dari hasil penelitian tersebut model LSTM lebih optimal dan akurat dibandingkan dengan model ARFIMA.
Keywords
Full Text:
PDF (Bahasa Indonesia)References
A. Mustafa, “Analisis Keputusan Investasi Saham Dengan Dengan Pendekatan Price Earning Ratio ( Per ) Pada Pt Unilever Indonesia Tbk .,” Univ. Negeri Makassar, pp. 1–13, 2020.
I. Nuzula Agustin and F. Lysion, “Isnaini Nuzula Agustin 1 Fiona Lysion 2,” Univ. Int. Batam, vol. 1, no. 1, 2021, [Online]. Available: https://journal.uib.ac.id/index.php/combines
D. A. Fauzi, “Faktor Penentu Pengambilan Keputusan Investasi Saham,” Univ. Islam Indones., vol. 2507, no. 1, pp. 1–9, 2020, [Online]. Available: https://doi.org/10.1016/j.solener.2019.02.027%0Ahttps://www.golder.com/insights/block-caving-a-viable-alternative/%0A???
Y. Gu, T. Shibukawa, Y. Kondo, S. Nagao, and S. Kamijo, “Prediction of stock performance using deep neural networks,” Appl. Sci., vol. 10, no. 22, pp. 1–20, 2020, doi: 10.3390/app10228142.
Z. Hu, Y. Zhao, and M. Khushi, “A survey of forex and stock price prediction using deep learning,” Appl. Syst. Innov., vol. 4, no. 1, pp. 1–30, 2021, doi: 10.3390/ASI4010009.
F. Akbardipura, “Perbandingan Performa Peramalan Harga Saham 5 Perusahaan Pada Indeks LQ45 Menggunakan Autoregressive Integrated Moving Average Dan Long Short – Term Memory,” Univ. Pembang. Nas. Veteran Jakarta, pp. 1–60, 2021.
A. Agusta, “Prediksi Pergerakan Harga Saham Pada Sektor Farmasi Menggunakan Algoritma Long Short-Term Memory,” Univ. Pembang. Nas. Veteran Jakarta, vol. D, no. 2, pp. 1–58, 2021.
P. Kartikasari, “Prediksi Harga Saham PT. Bank Negara Indonesia dengan Menggunakan Model Autoregressive Fractional Integrated Moving Average (ARFIMA ),” J. Stat., vol. 8, no. 1, pp. 1–7, 2020.
N. Jing, Z. Wu, and H. Wang, “A hybrid model integrating deep learning with investor sentiment analysis for stock price prediction,” Expert Syst. Appl., vol. 178, no. May 2020, p. 115019, 2021, doi: 10.1016/j.eswa.2021.115019.
V. D. Ta, C. M. Liu, and D. A. Tadesse, “Portfolio Optimization-Based Stock Prediction Using Long-Short Term Memory Network in Quantitative Trading Van-Dai,” Appl. Sci., vol. 10, no. 2, 2020.
W. Lu, J. Li, J. Wang, and L. Qin, “A CNN-BiLSTM-AM method for stock price prediction,” Neural Comput. Appl., vol. 33, no. 10, pp. 4741–4753, 2021, doi: 10.1007/s00521-020-05532-z.
T. A. Borges and R. Neves, Financial Data Resampling for Machine Learning Based Trading Application to Cryptocurrency Markets. Warsaw: SpringerBriefs in Applied Sciences and Technology, 2021. [Online]. Available: https://doi.org/10.1007/978-3-030-68379-5%0A©
T. Agrawal, Hyperparameter Optimization in Machine Learning: Make Your Machine Learning and Deep Learning Models More Efficient. Bangalore: Apress, 2021. doi: https://doi.org/10.1007/978-1-4842-6579-6 ISBN-13.
S. Chen and C. Zhou, “Stock Prediction Based on Genetic Algorithm Feature Selection and Long Short-Term Memory Neural Network,” IEEE Access, vol. 9, pp. 9066–9072, 2021, doi: 10.1109/ACCESS.2020.3047109.
D. Ambach and O. Ambach, “Forecasting the Oil Price with a Periodic Regression ARFIMA-GARCH Process,” Proc. 2018 IEEE 2nd Int. Conf. Data Stream Min. Process. DSMP 2018, pp. 212–217, 2018, doi: 10.1109/DSMP.2018.8478447.
“IDX Data Services Portal,” 2022. https://data.idx.co.id/ (accessed Jan. 24, 2023).
M. Saleh, E. Grivel, and S. M. Omar, “Jeffrey’s divergence between ARFIMA processes,” Digit. Signal Process. A Rev. J., vol. 82, pp. 175–186, 2018, doi: 10.1016/j.dsp.2018.06.013.
Refbacks
- There are currently no refbacks.
Copyright (c) 2023 Prosiding Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.