PERAMALAN HARGA SAHAM INDEX NASDAQ COMPOSITE DENGAN METODE CONVOLUTIONAL NEURAL NETWORK – LONG SHORT TERM MEMORY

Abstract

Pada era setelah pandemi COVID-19, banyak individu berinvestasi dalam saham sebagai sarana untuk pemulihan finansial. Namun, banyak dari masyarakat Indonesia tidak memahami cara kerja pasar saham dan bagaimana melakukan prediksi harga saham di masa depan. Penelitian ini bertujuan untuk mengembangkan model peramalan harga saham indeks Nasdaq Composite dengan menggunakan metode gabungan deep learning, yaitu Convolutional Neural Network – Long Short-Term Memory (CNN-LSTM). Uji coba model yang dikembangkan pada penelitian melewati berbagai alur seperti pengambilan data yang diambil dari Yahoo Finance, lalu melakukan penyaringan dan pembersihan data sehingga bisa digunakan untuk melatih sebuah model. Dalam pembuatan model terdapat banyak variasi konfigurasi, semua hal tersebut dilakukan akan dapat menghasilkan model yang optimal, dengan model yang optimal maka hasil yang diberikan pun akan menjadi lebih akurat, model akan bisa menangani data set sesuai kasus. Hasil dari uji coba ini menunjukkan bahwa metode CNN-LSTM mampu memberikan prediksi yang akurat dengan tingkat galat yang minimal menggunakan pengukuran evaluasi MAE sebesar 0,0005 dan MSE sebesar 0,0192 dan memakan waktu eksekusi sebesar 69673,15 ms. Algoritma CNN-LSTM terbukti dapat dijadikan sebagai salah satu opsi dalam pertimbangan mengambil keputusan trading.