Analisis Optimasi Pada Algoritma Long ShortTerm Memory Untuk Memprediksi Harga Saham

(1)

Analisis Optimasi Pada Algoritma Long ShortTerm Memory Untuk Memprediksi Harga Saham

Nur Faridah^*, Bambang Sugiantoro

Fakultas Sains dan Teknologi, Program Studi Informatika, UIN Sunan Kalijaga, Yogyakarta, Indonesia Email: ^1,*[email protected],²[email protected]

Email Penulis Korespondensi: [email protected]

Abstrak−Saham merupakan instrumen pasar keuangan yang paling popular saat ini, ditunjukkan dengan peningkatan investor saham sebesar 27,15% dari tahun sebelumnya. Resiko terbesar bagi investor saham dalam berinvestasi yaitu resiko turunnya harga (capital loss) dan risiko terjadinya likuidasi. Untuk meminimalisir resiko tersebut sebelum berinvestasi hendaknya melakukan analisa terlebih dahulu salah satunya yaitu dengan memprediksi pergerakan harga saham. Metode terbaik dalam memprediksi harga saham yaitu dengan menggunakan Long Short Term Memory (LSTM). Agar dapat memprediksi secara optimal, maka pemilihan algoritma optimasi penting untuk dilakukan sebelum membuat suatu model. Dari delapan algoritma optimasi yang diteliti yaitu SGD, RMSProp, Adam, AdaGrad, AdaMax, AdaDelta, Nadam, dan Ftrl. Optimasi adam memiliki tingkat akurasi tertinggi dalam memprediksi harga saham, dimana nilai akurasi antara harga saham prediksi dan harga saham aktual sebesar 98,88% dengan selisish rata-rata harga prediksi dan harga aktual sebesar Rp46. Penelitian ini diharapkan dapat memberi manfaat dalam memprediksi harga saham seakurat mungkin menggunakan model Long Short Term Memory (LSTM)

dengan pemilihan algoritma optimasi yang tepat.

Kata Kunci: Prediksi Harga Saham; Neural Network; LSTM; Perbandingan; Optimasi.

Abstract−Stocks are the most popular financial market instrument at the moment, indicated by an increase in investors' shares of 27.15% from the previous year. The biggest risk for stock investors in investing is the risk of falling prices (capital loss) and the risk of liquidation. To minimize this risk, before investing, you should do an analysis first, one of which is by predicting stock price movements. The best method for predicting stock prices is to use Long Short Term Memory (LSTM). In order to predict optimally, it is important to select an optimization algorithm before creating a model. Of the eight optimization algorithms studied, namely SGD, RMSProp, Adam, AdaGrad, AdaMax, AdaDelta, Nadam, and Ftrl. Adam's optimization has the highest level of accuracy in predicting stock prices, where the accuracy value between predicted stock prices and actual stock prices is 98.88% with the average difference between the predicted price and the actual price of IDR 46. This research is expected to provide benefits in predicting stock prices as accurately as possible using the Long Short Term Memory (LSTM) model with the selection of the right optimization algorithm.

Keywords: Stock Price Prediction; Neural Network; LSTM; Comparison; Optimizer.

1. PENDAHULUAN

Saham merupakan instrumen pasar keuangan yang paling populer di kalangan masyarakat saat ini. Data yang dirilis oleh Kustodian Sentral Efek Indonesia (KSEI) menunjukan bahwa adanya peningkatan investor saham dari 3.451.513 Single Investor Identification (SID) menjadi 4.388.587 SID pertanggal 22 November 2022, yang berarti terjadi peningkatan investor saham sebesar 27,15% hanya dalam kurun waktu satu tahun [1]. Transaksi jual beli harga saham menjadi salah satu bentuk investasi favorit yang dilakukan oleh banyak investor, karena mendapatkan keuntungan yang menjanjikan. Dalam hal ini investor pasti memilih investasi yang mendapatkan keuntungan baginya dengan tingkat kegagalan atau resiko yang kecil, Hal ini akan bergantung pada setiap harga pada masing- masing harga saham yang sering berubah dari waktu ke waktu, atau biasa dikenal sebagai data runtun waktu (time series) [2]. Pergerakan harga saham saat ini dapat diketahui apakah sedang naik atau turun melalui indeks saham.

Pergerakan indeks tersebut menjadi indikator yang sangat penting bagi para investor dan manajer investasi untuk melihat bagaimana kondisi dari saham yang ada dalam suatu indeks sehingga membantu dalam mengambil keputusan apakah investor akan menjual, menahan atau membeli saham.

Salah satu risiko yang dihadapi dalam membeli saham adalah resiko turunnya harga (capital loss) dan risiko terjadinya likuidasi terhadap perusahaan yang mengeluarkan saham tersebut. Untuk meminimalkan resiko dalam membeli dan menjual saham, investor harus melakukan analisis mengingat data harga saham merupakan data time series yang memiliki aktifitas tinggi, sehingga tidak ada saham yang terus menerus mengalami kenaikan maupun penurunan. Kenaikan dan penurunan yang bergantian seiring dengan bertambahnya waktu menimbulkan beberapa pola. Pergerakan harga saham selama jangka waktu tertentu umumnya membentuk suatu pola tertentu. Oleh karena itu, memprediksi harga saham dirasa sangat perlu untuk mengoptimasikan keuntungan sebagaimana tujuan utama investor di pasar modal [3].

Kecerdasan buatan (AI) adalah bidang yang berkembang pesat dengan banyak aplikasi praktis dan topik penelitian aktif. Banyak peneliti science data dan deep learning mencoba memprediksi harga saham, salah satunya dengan menggunakan algoritma Long Short Term Memory (LSTM) [4]. Long Short Term Memory adalah salah satu arsitektur Recurrent Neural Network (RNN) yang paling sukses. LSTM memperkenalkan sel memori, sebuah unit komputasi yang menggantikan neuron buatan tradisional di lapisan tersembunyi jaringan. Dengan sel memori ini, jaringan dapat secara efektif mengasosiasikan memori dan input jarak jauh dalam waktu, sehingga cocok untuk memahami struktur data secara dinamis dari waktu ke waktu dengan kapasitas peramalan yang tinggi [5]. LSTM

(2)

memiliki kemampuan untuk menyimpan pola data yang digunakan untuk melakukan prediksi. LSTM memiliki sensitifitas untuk menyeleksi dan mempelajari mengenai pola data sehingga dapat menyimpulkan data yang akan di eliminasi dan data mana saja yang akan dipertahankan karena pada masing-masing neuron di LSTM untuk mengatur memori pada masing-masing neuron menggunakan beberapa gates. Penggunaan metode LSTM dapat digunakan di berbagai bidang terapan seperti estimasi, forecasting, classification, dan clustering [6].

Penelitian menggunakan model LSTM telah banyak dilakukan oleh para peneliti. Diantaranya, penelitian yang dilakukan oleh Budiharto [7] memberikan usulan model dan algoritma yang efisien dan sederhana untuk analisis data besar menggunakan bahasa R dan LSTM untuk peramalan saham dengan peningkatan dan inovasi dalam memilih hanya data jangka pendek untuk fase pelatihan dan mampu memberikan nilai prediksi masa depan dan tentunya akan sangat berguna. untuk prediksi harga saham di Indonesia. Pediksi harga saham dengan model LSTM memberikan hasil yang paling menjanjikan ketika menggunakan jangka waktu satu tahun dengan akurasinya mencapai 94,59%.

Serafeim Loukas [8] menggunakan harga penutupan saham Tesla. Inc untuk menguji model LSTM. Data diambil dari tahun 2015 hingga 2020 (sumber data Yahoo Finance). Jaringan saraf LSTM berlapis-lapis harus disiapkan, yang dapat memprediksi pergerakan harga saham. Model tersebut memiliki 50 neuron dan empat lapisan tersembunyi, yang bertindak sebagai saringan untuk data keluaran. Satu neuron ditugaskan untuk menghitung harga yang ditempatkan di lapisan output. Karena lockdown Covid-19, harga saham menunjukkan pergerakan abnormal sehingga tidak dapat diprediksi oleh algoritma, tetapi secara sistematis dapat memprediksi pergerakan harga sebelumnya. Semua lompatan dan penurunan diikuti dengan tepat, dan dapat disimpulkan dengan aman bahwa modelnya tidak jauh dari presisi.

Seberapa besar akurasi model juga tidak terlepas dari optimasi suatu model tersebut. Optimasi berfungsi untuk menyesuaikan bobot model pada proses pelatihan. Optimasi dapat membentuk model ke dalam bentuk yang paling akurat dengan cara menyesuaikan bobot berdasarkan pada nilai loss function [9]. Metode optimasi yang banyak digunakan saat ini adalah optimasi Adam yang memiliki kelebihan sangat cepat dalam mencapai konvergensi dan sebagai salah satu metode optimasi yang mengatasi lambatnya konvergensi pada metode optimasi Stochactic Gradient Descent (SGD) [10]. Adam (Adaptive Moment Estimation) adalah metode yang menghitung kecepatan pembelajaran adaptif untuk setiap parameter [11]. Penelitian yang dilakukan oleh Almeida dan Azkune juga telah menerapkan model Long Short Term Memory (LSTM) yang dioptimasi dengan metode Adam pada kasus deteksi aktivitas manusia [12], namun permasalahan yang terjadi dengan menggunakan optimasi Adam adalah pada kasus tertentu metode optimasi Adam tidak menghasilkan generalisasi yang optimal. Penelitian Wilson dkk [13] menemukan bahwa dalam penelitiannya hasil pengujian model yang dioptimasi dengan metode optimasi adaptif, seperti Adam dan RMSProp menghasilkan generalisasi yang kurang optimal dibandingkan menggunakan metode optimasi SGD. Oleh karena itu penting untuk mengetahui optimasi mana yang sesuai dengan penelitian yang akan dilakukan dan model yang akan digunakan agar diperoleh hasil yang optimal.

Pada penelitian ini akan dilakukan analisis optimasi pada algoritma Long Short Term Memory (LSTM) untuk memprediksi harga saham telkomsel dari tahun 2017 hingga 2022 (sumber data Yahoo Finance) [14], dengan membandingkan kinerja sistem terhadap penggunaan delapan algoritma optimasi yang berbeda yaitu:

SGD, RMSProp, Adam, AdaGrad, AdaMax, AdaDelta, Nadam, dan Ftrl. Tujuan dari penelitian ini adalah untuk mengetahui algoritma optimasi mana yang sesuai untuk memprediksi harga saham dengan menggunakan model Long Short Term Memory (LSTM).

2. METODOLOGI PENELITIAN

2.1 Long Short Term Memory (LSTM)

Model Long Short Term Memory (LSTM) pertama kali diperkenalkan oleh Hochreiter dan Schmidhuber untuk melengkapi kekurangan Recurrent Neural Network (RNN) yang tidak dapat memprediksi kata berdasarkan informasi lampau yang disimpan dalam jangka waktu lama. Dalam LSTM terdapat tiga gerbang yang mengendalikan penggunaan dan memperbarui informasi teks terdahulu yaitu input gate, forget gate dan ouput gate.

Sel memori dan tiga gerbang dirancang untuk dapat membaca, menyimpan, dan memperbarui informasi terdahulu [15]. Ilustrasi sel LSTM yang berisi ketiga gerbang tersebut digambarkan pada Gambar 1.

Gambar 1. Struktur LSTM [16]

(3)

a. Forget Gate

Langkah pertama dimulai melalui komponen forget gate (f_t). Pada bagian ini informasi yang kurang dibutuhkan atau tidak terlalu memiliki makna terhadap kasus yang diolah akan dihilangkan menggunakan fungsi sigmoid. Data x_t adalah input data (vektor input x dalam timestep t) dan h_t−1 adalah vektor hidden state dalam timestep sebelumnya t − 1 . Persamaan (1) menunjukkan perhitungan nilai forget gate.

f_t= σ(W_fh_t−1+ U_fx_t+ b_f), (1)

b. Input Gate

Langkah berikutnya, informasi diolah melalui komponen input gate (i_t) menggunakan perhitungan pada Persamaan (2). Proses ini akan memilah dan menentukan informasi tertentu yang akan diperbarui ke bagian cell state dengan menggunakan fungsi aktivasi sigmoid. Pada langkah ini juga membentuk kandidat vektor baru menggunakan fungsi aktivasi tanh yang akan ditambahkan pada bagian cell state C̃_t menggunakan perhitungan pada Persamaan (3) .

i_t= σ(W_ih_t−1+ U_ix_t+ b_i), (2)

C̃_t= tanh(W_Ch_t−1+ U_Cx_t+ b_C), (3)

c. Cell State

Selanjutnya memperbarui nilai cell state lama C_t−1 menjadi cell state baru C_t melalui Persamaan (4) .

C_t= f_t⊙ C_t−1+ i_t⊙ Č_t, (4)

d. Output Gate

Terakhir terjadi pada komponen output gate. Dengan menjalankan sigmoid untuk menghasilkan nilai output pada hidden state dan menempatkan cell state pada tanh. Setelah menghasilkan nilai output sigmoid dan nilai output tanh kedua hasil aktivasi tersebut dilakukan perkalian sebelum menuju langkah selanjutnya. Perhitungan output terjadi pada Persamaan (5) dan (6),

o_t=(W_oh_t−1+ U_ox_t+ b_o), (5)

h_t= o_t⊙ tanh(C_t). (6)

Setelah itu akan menghasilkan nilai klasifikasi dari keseluruhan perhitungan pada proses LSTM . 2.2 Tahapan Penelitian

Tahapan penelitian merupakan gambaran umum terkait alur penelitian yang akan dilakukan dalam pengerjaan penelitian ini. Penelitian ini menggunakan model Long Short Term Memory (LSTM), Tahapan yang dilakukan dalam penelitian ini dapat dipaparkan melalui diagram alir seperti pada Gambar 2.

Gambar 2. Metode Penelitian 2.2.1 Pengumpulan Data

Data yang digunakan untuk memprediksi harga saham yaitu data harian dari PT Telekomunikasi Indonesia Tbk (TLKM.JK) yang bersumber dari website yahoofinance.com dengan rentang waktu 2 Januari 2017 sampai 31 Agustus 2022 sebanyak 1420 baris. Data yang didownload berupa csv dengan kolom Date, Open, High, Low, Close, Adj Close, Volume. Dataset tersebut dapat dilihat pada Tabel 1.

Tabel 1. Dataset Telkomsel

Date Open High Low Close Adj Close Volume 02/01/2017 3980 3980 3980 3980 3310 0 03/01/2017 3950 3990 3920 3950 3285 71660600 04/01/2017 3880 3980 3880 3950 3285 68494500

… … … …

29/08/2022 4370 4370 4360 4520 4520 101529800 30/08/2022 4580 4580 4480 4480 4480 118884300

(4)

Date Open High Low Close Adj Close Volume 31/08/2022 4420 4420 4420 4560 4560 175300400 2.2.2 Processing Data

Pada tahap processing data dilakukan proses pengecekan data yang hilang (missing value), jika terdapat missing value maka akan dilakukan penghapusan pada data tersebut (data cleaning). Selain itu pada proses ini dilakukan transformasi data agar data tersebut dapat diolah. Kolom date dan high merupakan parameter input untuk pembuatan model LSTM. Data yang digunakan untuk pembuatan model dibagi menjadi 2 bagian yaitu data training sejumlah 80% dan data testing sejumlah 20%. Selanjutnya dilakukan proses normalisasi data yaitu proses membuat beberapa variabel memiliki rentang nilai yang sama, tidak ada yang terlalu besar maupun terlalu kecil sehingga dapat membuat analisis statistik menjadi lebih mudah dan juga mempercepat proses train. Normalisasi dilakukan dengan mengurangi nilai minimum dan membaginya dengan maksimum dikurangi minimum [18].

Metode normalisasi data dalam penelitian ini menggunakan Min-Max Scaling Normalization. Persamaan umum untuk scaling dalam rentang [0,1] adalah sebagai berikut.

𝑦 = ^{(𝑥−𝑚𝑖𝑛)}

(𝑚𝑎𝑥−𝑚𝑖𝑛) (7)

2.2.3 Hyperparameter Tuning

Setelah selesai melakukan preprocessing data, langkah selanjutnya dalam penelitian ini adalah melakukan hyperparameter tuning. Tuning parameter dilakukan dengan tujuan untuk mendapatkan parameter terbaik yang dapat digunakan untuk melakukan peramalan harga saham TLKM, parameter yang diuji pada tahap ini adalah batch size, jumlah layer LSTM, dropout, dense, dan jumlah epoch. Setelah didapatkan parameter terbaik proses selanjutnya adalah modelling data dengan menggunakan algoritma LSTM.

2.2.4 Pelatihan dan Pengujian

Sebelum melakukan pelatihan dan pengujian, terlebih dahulu dilakukan modelling data dengan menggunakan algoritma optimasi data yang berbeda-beda. Pada penelitian ini akan diteliti delapan algoritma optimasi yang berbeda, yaitu SGD, RMSProp, Adam, Adagrad, Adamax, Adadelta, Nadam, dan Ftrl. Dari modeling data tersebut kemudian dilakukan pelatihan terhadap data training dan pengujian terhadap data testing.

Pada tahap pengujian, penelitian ini menggunakan data uji yang telah diproses sebelumnya pada tahap preprocessing. Setelah dilakukan pengujian dan prediksi dilakukan, proses validasi akan memvalidasi hasil antara nilai prediksi yang diperoleh dari proses pelatihan data dengan nilai sebenarnya. Proses Testing model menggunakan dua input yaitu data test dan data train. Setelah semua proses pengujian dilakukan, hasilnya adalah hasil prediksi yang menunjukkan data aktual dan data prediksi.

2.2.5 Evaluasi

Evaluasi merupakan tahapan yang digunakan untuk mengukur kinerja suatu model dari metode yang diusulkan.

Evaluasi dilakukan dengan menghitung nilai Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE).

a. Perhitungan MAE

Mean Absolute Error (MAE) merupakan salah satu teknik pengukur akurasi terhadap variabel kontinue dengan menjumlahkan selisih dua larik, yaitu 𝑦_𝑡^′ dan 𝑦_𝑡. MAE digunakan untuk mengukur rata-rata error untuk meminimumkan error [19]. MAE dirumuskan sebagai berikut:

𝑀𝐴𝐸 =¹

𝑛∑^𝑛_𝑡=1|𝑦_𝑡^′− 𝑦_𝑡| (8)

b. Perhitungan MAPE

Perhitungan Mean Absolute Percentage Error (MAPE) dilakukan untuk menemukan tingkat kesalahan persentase absolut rata-rata yang merupakan ukuran relative dan pada dasarnya menskalakan MAD dalam satuan persentase, bukan dalam satuan variable [20]. Formula untuk menghitung MAPE diberikan pada persamaan (9).

𝑀𝐴𝑃𝐸 =¹

𝑛∑ |^𝑦^𝑡^′^−𝑦^𝑡

𝑦𝑡 | × 100%

𝑛𝑡=1 (9)

Secara garis besar semakin kecil kedua nilai maka semakin kecil tingkat kesalahan yang dihasilkan model prediksi. Oleh karena itu, peneliti akan membandingkan nilai MAE dan MAPE pada data training dan testing dari masing-masing model data dengan algoritma optimasi yang berbeda untuk mengetahui seberapa besar perbedaan kedua nilai yang diperoleh pada kedua data tersebut. Jika perbedaannya sangat signifikan maka dapat disimpulkan bahwa model prediksi memiliki kemampuan generalisasi yang buruk (overfit), sebaliknya jika kedua nilai mempunyai perbedaan yang kecil maka model mampu memprediksi dengan baik terhadap data yang belum pernah dilihat (unseen data). Dari delapan model yang sudah dibuat dan diproses, kemudian akan dievaluasi untuk menemukan model LSTM dengan optimasi apa yang memiliki akurasi tinggi terhadap peramalan harga saham.

(5)

3. HASIL DAN PEMBAHASAN

Pada sub bab ini akan dilakukan pembahasan menganai hasil penelitian yang dilakukan dengan menggunakan dataset telkomsel dari tahun 2017-2022 dengan melakukan pembagian data latih 80% dan data pengujian 20% dan menekankan pada data saham kolom harga tertinggi (High). Pada proses menjalankan algoritma LSTM dibagi menjadi beberapa proses diantara penggunaan delapan optimasi, yaitu SGD, RMSProp, Adam, Adagrad, Adamax, Adadelta, Nadam, dan Ftrl dengan variasi epoch 100, batch size 32, unit 84, dropout 0,2 dan dense 1.

3.1 Dataset Saham

Setelah dilakukan proses pengolahan menggunakan dataset pada Tabel 1, maka diperoleh grafik pergerakan harga tertinggi saham pada tiap waktu dari tahun 2017 hingga 2022 dengan garis horizontal menampilkan harga saham tertinggi (high) dan garis vertikal menampilkan tahun, seperti yang ditunjukkan pada Gambar 3. Grafik tersebut memiliki pergerakan yang cukup berfluktuatif, bahkan dari pertengahan tahun 2019 menuju tahun 2021 mengalami penurunan yang cukup drastis dikarenakan faktor covid-19 yang menyababkan penurunan ekonomi pada berbagai sektor termasuk harga saham.

Gambar 3. Pergerakan Harga Saham Tertinggi 3.2 Membandingkan Antara Delapan Model Optimasi

Proses evaluasi dan pembahasan terhadap kinerja sistem dilakukan dengan membandingkan setidaknya delapan algoritma optimasi yang berbeda, yaitu SGD, RMSProp, Adam, Adagrad, Adamax, Adadelta, Nadam, dan Ftrl.

Setelah dilakukan tahap pemrosesan data dan pemodelan maka akan diperoleh visualisasi hasil antara harga tertinggi saham aktual dan prediksi berupa grafik yang ditunjukkan pada Gambar 4 dan Gambar 5.

(RMSprop) (SGD)

(Ftrl) (Nadam)

Gambar 4. Harga Saham Asli vs Prediksi dengan Berbagai Optimasi

(6)

Gambar 4 menunjukkan grafik dari harga saham asli dengan harga saham prediksi menggunakan empat optimasi yang berbeda yaitu RMSprop, SGD, Ftrl dan Nadam. Dari keempat grafik tersebut diperoleh grafik dengan model optimasi RMSprop dan Nadam memiliki tingkat akurasi yang tinggi dalam memprediksi harga saham karena memiliki selisih yang kecil antara harga saham asli dengan harga saham prediksi. Hal tersebut ditunjukkan dengan garis warna orange yang merupakan grafik prediksi harga saham selalu mendekati atau berhimpit dengan garis warna biru atau harga saham sesungguhnya. Sedangkan dengan menggunakan optimasi SGD, prediksi harga saham cenderung menjauh dari harga saham sesungguhnya. Kemudian untuk model LSTM dengan menggunkan optimasi Ftrl memiliki tingkat akurasi yang buruk, sehingga optimasi ini tidak dianjurkan untuk dipakai dalam memprediksi harga saham.

(Adagrad) (Adamax)

(Adam) (Adadelta)

Gambar 5. Harga Saham Asli vs Prediksi dengan Berbagai Optimasi

Gambar 5 menunjukkan grafik dari harga saham asli dengan harga saham prediksi menggunakan empat optimasi yang berbeda yaitu Adagrad, Adamax, Adam dan Adadelta. Dari keempat grafik tersebut diperoleh grafik dengan model optimasi Adamax dan Adam memiliki tingkat akurasi yang tinggi dalam memprediksi harga saham karena memiliki selisih yang kecil antara harga saham asli dengan harga saham prediksi. Hal tersebut ditunjukkan dengan garis warna orange yang merupakan grafik prediksi harga saham selalu mendekati atau berhimpit dengan garis warna biru atau harga saham sebenarnya. Sedangkan dengan menggunakan optimasi Adagrad dan Adadelta, prediksi harga saham cenderung menjauh dari harga saham sesungguhnya, hal tersebut ditunjukkan dengan garis warna orange yang merupakan grafik prediksi harga saham hampir tidak pernah berhimpit dengan garis warna biru yang merupakan nilai dari harga saham sebenarnya. Oleh karena itu model LSTM dengan optimasi Adagrad dan Adadelta tidak dianjurkan untuk dipakai dalam memprediksi harga saham.

Untuk mengetahui lebih datail perbandingan dari delapan optimasi tersebut maka dilakukan evaluasi dengan mencari nilai Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE) dari masing- masing model LSTM. Nilai MAE dan MAPE yang semakin kecil menunjukkan bahwa model memiliki nilai akurasi yang tinggi. Hasil dari evaluasi tersebut terdapat pada Tabel 2.

Tabel 2. Jenis jenis database

Dari Tabel 2 diperoleh bahwa model LSTM dengan menggunakan optimasi RMSProp memilliki nilai MAE 53 dan nilai MAPE 1,28%, yang artinya nilai prediksi harga sahamnya memiliki nilai error sebesar 1,28%

dan akurasi prediksi sebesar 98,72% dengan selisih rata-rata harga prediksi dan harga aktual sebesar Rp53. Model

Tipe Optimasi MAE MAPE

RMSProp 53 1,28%

SGD 172 4,33%

Ftrl 1180 40,92%

Nadam 48 1,15%

Adagrad 194 4,89%

Adamax Adam Adadelta

68 46 202

1,66%

1,12%

5,06%

(7)

Nur Faridah, Copyright © 2023, MIB, Page 581 LSTM dengan optimasi SGD memilliki nilai MAE 172 dan nilai MAPE 4,33%, yang artinya nilai prediksi harga sahamnya memiliki nilai error sebesar 4,33% dan akurasi prediksi sebesar 95,67% dengan selisih rata-rata harga prediksi dan harga aktual sebesar Rp172. Model LSTM dengan optimasi Ftrl memilliki nilai MAE 1180 dan nilai MAPE 40,90%, yang artinya nilai prediksi harga sahamnya memiliki nilai error sebesar 40,92% dan akurasi prediksi sebesar 59,08% dengan selisih rata-rata harga prediksi dan harga aktual sebesar Rp1.180. Model LSTM dengan optimasi Nadam memilliki nilai MAE 48 dan nilai MAPE 1,15%, yang artinya nilai prediksi harga sahamnya memiliki nilai error sebesar 1,15% dan akurasi prediksi sebesar 98,85% dengan selisih rata-rata harga prediksi dan harga aktual sebesar Rp48. Model LSTM dengan optimasi Adagrad memilliki nilai MAE 194 dan nilai MAPE 4,89%, yang artinya nilai prediksi harga sahamnya memiliki nilai error sebesar 4,89% dan akurasi prediksi sebesar 95,11% dengan selisih rata-rata harga prediksi dan harga aktual sebesar Rp194. Model LSTM dengan optimasi Adamax memilliki nilai MAE 68 dan nilai MAPE 1,66%, yang artinya nilai prediksi harga sahamnya memiliki nilai error sebesar 1,66% dan akurasi prediksi sebesar 98,34% dengan selisih rata-rata harga prediksi dan harga aktual sebesar Rp68. Model LSTM dengan optimasi Adam memilliki nilai MAE 46 dan nilai MAPE 1,12%, yang artinya nilai prediksi harga sahamnya memiliki nilai error sebesar 1,12% dan akurasi prediksi sebesar 98,88% dengan selisih rata-rata harga prediksi dan harga aktual sebesar Rp46. Model LSTM dengan optimasi Adadelta memilliki nilai MAE 202 dan nilai MAPE 5,06%, yang artinya nilai prediksi harga sahamnya memiliki nilai error sebesar 5,06% dan akurasi prediksi sebesar 94,94% dengan selisih rata-rata harga prediksi dan harga aktual sebesar Rp202.

Diantara delapan optimasi yang diteliti terdapat empat optimasi dengan hasil prediksi yang baik diantaranya adalah optimasi Adam, Nadam, RMSProp, dan Adamax dengan tingkat akurasi lebih dari 98%. Tiga optimasi lainnya yaitu SGD, Adagrad, dan Adadelta memiliki tingkat akurasi lebih dari 90%, sedangkan optimasi Ftrl memiliki nilai prediksi yang paling buruk dengan tingkat akurasinya hanya sebesar 59%. Oleh karena itu untuk memprediksi harga saham dengan model Long Short Term Memory (LSTM) bisa menggunakan optimasi yang memiliki tingkat akurasi sebesar 98% agar mendapatkan hasil prediksi yang baik. Akan tetapi untuk hasil prediksi yang lebih optimasi maka bisa menggunakan optimasi Adam karena memiliki nilai akurasi yang paling baik dari kedelapan optimasi yang sudah diteliti.

4. KESIMPULAN

Long Short Term Memory (LSTM) merupakan salah satu arsitektur Recurrent Neural Network (RNN) yang dapat digunakan untuk memprediksi harga saham. Proses prediksi harga saham tidak terlepas dari penggunaan algoritma optimasi. Agar dapat memprediksi secara optimal, maka pemilihan algoritma optimasi penting untuk dilakukan sebelum membuat suatu model. Dari delapan optimasi yang diteliti, optimasi adam memiliki tingkat akurasi tertinggi dalam memprediksi harga saham, dimana nilai akurasi antara harga saham prediksi dan harga saham aktual sebesar 98,88% dengan selisish rata-rata harga prediksi dan harga aktual sebesar Rp46. Kemudian disusul dengan optimasi Nadam, RMSProp, dan Adamax dengan nilai akurasi antara harga saham prediksi dan harga saham aktual lebih dari 98% serta tiga optimasi lainnya yaitu SGD, Adagrad, dan Adadelta memiliki nilai akurasi antara harga saham prediksi dan harga saham aktual lebih dari 90%. Sedangkan optimasi dengan akurasi terendah adalah optimasi Ftrl dengan nilai akurasi antara harga saham prediksi dan harga saham aktual hanya sebesar 59,08% dengan selisih rata-rata harga prediksi dan harga aktual sebesar Rp1.180. Saran yang dapat dilakukan peneliti selanjutnya adalah meneliti apakah algoritma optimasi yang sudah diteliti memiliki nilai akurasi yang sama jika digunakan dalam penelitian selain memprediksi harga saham menggunakan model long short term memory (LSTM).

REFERENCES

[1] KSEI, “Statistik Pasar Modal Indonesia,” Nov. 2022. [Online]. Available: www.ksei.co.id

[2] B. Y. Pandji, Indwiarti, and A. A. Rohmawati, “PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MODEL ARIMA DAN ARTIFICIAL NEURAL NETWORK,” 2019, doi: 10.21108/indojc.2019.4.2.344.

[3] M. Y. Darsyah and M. S. Nur, “MODEL TERBAIK ARIMA DAN WINTER PADA PERAMALAN DATA SAHAM BANK,” 2016.

[4] A. H. Manurung, W. Budiharto, and H. Prabowo, “Algorithm and modeling of stock prices forecasting based on long short-term memory (LSTM),” ICIC Express Letters, vol. 12, no. 12, pp. 1277–1283, Dec. 2018, doi:

10.24507/icicel.12.12.1277.

[5] M. Roondiwala, H. Patel, and S. Varma, “Predicting Stock Prices Using LSTM,” Article in International Journal of Science and Research, vol. 6, 2017, doi: 10.21275/ART20172755.

[6] A. Yusuf, “PREDIKSI INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN LONG SHORT-TERM MEMORY,” vol. 15, no. 2, pp. 124–132, 2021, [Online]. Available: http://ppjp.ulm.ac.id/journals/index.php/epsilon [7] W. Budiharto, “Data science approach to stock prices forecasting in Indonesia during Covid-19 using Long Short-Term

Memory (LSTM),” J Big Data, vol. 8, no. 1, Dec. 2021, doi: 10.1186/s40537-021-00430-0.

[8] P. Chhajer, M. Shah, and A. Kshirsagar, “The applications of artificial neural networks, support vector machines, and long–short term memory for stock market prediction,” Decision Analytics Journal, vol. 2, Mar. 2022, doi:

10.1016/j.dajour.2021.100015.

(8)

[9] Y. Setiawan, T. Tarno, and P. Kartikasari, “PREDIKSI HARGA JUAL KAKAO DENGAN METODE LONG SHORT- TERM MEMORY MENGGUNAKAN METODE OPTIMASI ROOT MEAN SQUARE PROPAGATION DAN ADAPTIVE MOMENT ESTIMATION DILENGKAPI GUI RSHINY,” vol. 11, no. 1, pp. 99–107, 2022, [Online].

Available: https://ejournal3.undip.ac.id/index.php/gaussian/

[10] D. P. Kingma and J. Ba, “Adam: A Method for Stochastic Optimization,” Dec. 2014, [Online]. Available:

http://arxiv.org/abs/1412.6980

[11] S. Ruder, “An overview of gradient descent optimization algorithms,” Sep. 2016, [Online]. Available:

http://arxiv.org/abs/1609.04747

[12] A. Almeida and G. Azkune, “Predicting human behaviour with recurrent neural networks,” Applied Sciences (Switzerland), vol. 8, no. 2, Feb. 2018, doi: 10.3390/app8020305.

[13] A. C. Wilson, R. Roelofs, M. Stern, N. Srebro, and B. Recht, “The Marginal Value of Adaptive Gradient Methods in Machine Learning,” 2017.

[14] Yahoo Finance, “https://finance.yahoo.com/.”

[15] S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” 1997.

[16] P. Wang, X. Zheng, G. Ai, D. Liu, and B. Zhu, “Time series prediction for the epidemic trends of COVID-19 using the improved LSTM deep learning method: Case studies in Russia, Peru and Iran,” Chaos Solitons Fractals, vol. 140, Nov.

2020, doi: 10.1016/j.chaos.2020.110214.

[17] Phi M, “Illustrated Guide to LSTM’s and GRU’s: A step by step explanation,” Towards Data Sci, 2018.

[18] A. Géron, Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems, Second Edition. O’Reilly Media, 2019.

[19] C. Sammut and G. I. Webb, “Encyclopedia of Machine Learning,” 2011.

[20] “MAPE (Mean Absolute Percentage Error. Working with Planning.” https://docs.oracle.com/en/cloud/saas/planning- budgeting-cloud/pfusu/insights_metrics_MAPE.html (accessed Dec. 23, 2022).