Komparasi Hasil Optimasi Pada Prediksi Harga Saham PT. Telkom Indonesia Menggunakan Algoritma Long Short Term Memory
I Ketut Agung Enriko1,*, Fikri Nizar Gustiyana2, Rahmat Hardian Putra3
1Fakultas Teknik Telekomunikasi dan Teknik Elektro, Institut Teknologi Telkom Purwokerto, Purwokerto, Indonesia
2Fakultas Teknik Elektro, Telkom University, Bandung, Indonesia
3Indonesia Telecommunication and Digital Research Institute (ITDRI), Bandung, Indonesia Email: 1,*[email protected], 2[email protected], 3[email protected]
Email Penulis Korespondensi: [email protected]
Abstrak−Untuk melakukan investasi atau jual beli di bursa saham memerlukan pemahaman dibidang analisis data. Pergerakan kurva pada pasar saham sangat dinamis, sehingga memerlukan pemodelan data untuk melakukan prediksi harga saham agar mendapatkan harga dengan tingkat akurasi yang tinggi. Salah satu langkah untuk mencapai hal tersebut dapat menggunakan sistem prediksi berbasis machine learning. Terdapat beberapa algoritma yang dapat digunakan untuk memprediksi nilai saham , salah satunya yaitu algoritma Long-Short Term Memory (LSTM). Pada penelitian ini bertujuan untuk membandingkan beberapa model optimasi yaitu model optimasi Adam, SGD dan RMSprop untuk menganalisis tingkat keakuratan algoritma LSTM dalam melakukan prediksi data harga saham serta melakukan analisis pada banyaknya epochs dalam pembentukan model yang optimal. Hasil penelitian kami menunjukkan bahwa algoritma LSTM memiliki tingkat prediksi yang baik dengan ditunjukkan pada nilai Mean Absolute Percentage Error (MAPE) serta model data yang di dapatkan pada variasi nilai epochs.
Model optimasi Adam, menunjukkan bahwa semakin tinggi nilai epoch, maka semakin rendah nilai loss. Semakin rendah nilai loss, semakin tinggi tingkat akurasi prediksi data saham yang dihasilkan. Model Optimasi Adam juga menjadi model dengan nilai akurasi paling tinggi yaitu 98,45%.
Kata Kunci: RNN; LSTM; AI; Saham; Epoch
Abstract−To invest or buy and sell on the stock exchange requires understanding in the field of data analysis. The movement of the curve in the stock market is very dynamic, so it requires data modeling to predict stock prices in order to get prices with a high degree of accuracy. One of the steps to achieve this can be using a prediction system based on machine learning. There are several algorithms that can be used to predict stock values, one of which is the Long-Short Term Memory (LSTM) algorithm. This study aims to compare several optimization models, namely the Adam, SGD and RMSprop optimization models to analyze the accuracy of the LSTM algorithm in predicting stock price data and analyzing the number of epochs in forming an optimal model. The results of our research show that the LSTM algorithm has a good level of accurate prediction as shown in the Mean Absolute Percentage Error (MAPE) value and the data model obtained on variations in epochs values.
Adam's optimization model shows that the higher the epoch value, the lower the loss value. The lower the loss value, the higher the prediction accuracy of the resulting stock data. Adam's Optimization Model is also the model with the highest accuracy value of 98.45%.
Keywords: RNN; LSTM; AI; Share; Epoch
1. PENDAHULUAN
Perekonomian suatu negara sangat dipengaruhi oleh peranan pasar modal. Pasar modal merupakan suatu instrumen keungan jangka panjang yang didalamnya terdapat transaksi jual beli saham, sarana pendanaan bagi perusahaan, serta sebagai sarana untuk kegiatan investasi.Beberapa negara yang mengikuti system ekonomi pasar, sumber kemajuan ekonomi negaratersebut sangat dipengaruhi oleh pasar modal, karena pasar modal menjadi sumber dana alternatif bagi perusahaan-perusahaan yang bergabung didalamnya. Didalam pasar modal, salah satu bentuk investasi yang bisa dilakukan adalah investasi dalam bentuk saham. Saham merupakan bentuk penyertaan dari suatu perusahaan atau badan usaha yang melakukan tanam modal didalam pasar modal [1].
Harga saham bukanlah sesuatu yang konstan ataupun stabil melainkan mengalami fluktuasi. Fluktuasi dalam harga saham disebabkan oleh beberapa faktor diantaranya yakni adanya permintaan dan penawaran atas saham tersebut [2]. Permintaan dan penawaran diakibatkan oleh banyak hal, seperti performa perusahaan, bidang yang digeluti oleh perusahaan tersebut, serta beberapa faktor yang bersifat dominan seperti inflasi, nilai tukar mata uang, suku bunga. Di Indonesia sendiri pemerintah memiliki industri telekomunikasi yang merupakan Badan Usaha Milik Negara (BUMN) yaitu PT. Telkom Indonesia Tbk, sebagai perusahaan informasi dan komunikasi serta penyedia jasa dan jaringan telekomunikasi terlengkap di Indonesia. PT. Telkom Indonesia Tbk memiliki harga saham yang setiap tahunnya mengalami peningkatan dari tahun ketahun, dimana dalam kondisi ini maka perusahaan telekomunikasi tersebut sangat diminati oleh para investor untuk menyimpan dananya atau membeli saham perusahaan. [3]. Menurut Anthony Wijaya dan Nanik Linawati, semakin tinggi harga saham menunjukkan nilai perusahaan pun akan meningkat. Kenaikan harga saham dipicu oleh semakin tingginya penilaian investor atas saham tersebut [4].
Melihat kondisi saham yang terus mengalami fluktuasi di setiap harinya, membuat para investor perlu memperhatikan dan mempelajari data perbankan tersebut di masa lalu, sebagai strategi untuk berinvestasi. Hal tersebut sangat penting dilakukan karena investor dapat mengetahui prospek keadaan harga saham yang ada di dalam perusahaan tersebut. Banyak metode yang bisa dilakukan dalam memprediksi harga saham. Machine Learning menjadi salah satu metode untuk melakukan pendekatan dalam memprediksi harga saham. Machine
Learning merupakan sub dari Artificial Intelligence yang memiliki tujuan untuk meningkatkan pengetahuan atau performa [5][6][7].
Recurrent Neural Network (RNN) merupakan salah satu algoritma dari Machine Learning yang dapat digunakan untuk memprediksi nilai saham. RNN memiliki tingkat keakuratan yang tinggi untuk melakukan prediksi data dalam bentuk time series karena saham merupakan data yang berbentuk data time series [8][9][10].
Recurrent Neural Networks (RNN) merupakan salah satu bentuk arsitektur Artificial Neural Networks (ANN) yang dirancang khusus untuk memproses data yang bersambung/ berurutan (sequential data). RNN tidak membuang begitu saja informasi dari masa lalu dalam proses pembelajarannya[11]. Hal inilah yang membedakan RNN dari ANN biasa. RNN mampu menyimpan memori/ ingatan (feedback loop) yang memungkinkan untuk mengenali pola data dengan baik, kemudian menggunakannya untuk membuat prediksi yang akurat. Cara yang dilakukan RNN untuk dapat menyimpan informasi dari masa lalu adalah dengan melakukan looping di dalam arsitekturnya, yang secara otomatis membuat informasi dari masa lalu tetap tersimpan [12][13][14].
Salah satu pengembangan dari RNN yang lebih optimal yaitu Long Short Term Memory (LSTM). LSTM adalah pengembangan dari arsitektur RNN. Hochreiter & Schmidhuber adalah tokoh dibalik munculnya metode LSTM yang pertama kali diperkenalkan ke publik pada tahun 1997. LSTM muncul di karenakan ada ketidakpuasan dalam arsitektur RNN untuk memproses data sekuensial jangka panjang[15]. Selain itu algoritma LSTM memiliki keunggulan di banding RNN antara lain, mengatasi masalah gradient vanishing, memiliki mekanisme gate ini memungkinkan LSTM untuk mengatur aliran informasi dalam model dan mengontrol jumlah informasi yang disimpan dalam sel memori, mampu mengingat informasi jangka panjang dalam sequence data dan lebih efektif dalam memprediksi sequence data yang komplek. Terdapat beberapa penelitian sebelum nya yang menggunakan Algoritma LSTM antara lain penelitian untuk memprediksi penjualan product [16], dan penelitian pada kondisi kendaraan bermotor [17]. Kedua penelitian tersebut menghasilkan nilai akurasi yang cukup baik dengan menggunakan algoritma LSTM pada data Time Series.
Dengan demikian, dalam penilitian ini akan dilakukan beberapa tahap uji coba, diantaranya preproses, pemodelan data LSTM, proses pelatihan data, proses pengujian data, dan visualisasi data. Data saham diambil dari tahun 1 Januari 2019 hingga 11 Januari 2023. Tahap kedua, dilakukan proses pembagian data pelatihan dan data pengujian dimana 75% untuk pelatihan dan 25% untuk pengujian. Dalam proses uji coba, penelitian ini bertujuan untuk menguji hasil optimasi menggunakan tiga optimizer yang berbeda diantaranya Adam, RMSProp, dan SGD.
Selain itu, uji coba juga menggunakan variasi epochs, diantaranya 25, 50, 75, dan 100. Tahap terakhir, melakukan visualisasi data uji coba dengan menampilkan data pelatihan, data actual, dan prediksi.
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Gambar 1. Tahapan Penelitian
Pada penelitian ini terdapat beberapa tahapan antara lain pengumpulan data sebagai sample data, kemudian dilanjutkan pemrosesan data yang melakukan pemotongan data untuk pelatihan dan pengujian, lalu dilanjutkan perancangan model LSTM dengan hasil perancangan paling optimal, Proses Pelatihan Data, Proses Pengujian data, dan Hasil Visualisasi data berbentuk Line chart time series. Alur penelitian dapat dilihat pada Gambar 1.
2.2 Pengumpulan Data
Data saham diperoleh dengan melakukan pengambilan data saham TLKM dari 1 Januari 2019 hingga 11 Januari 2023. Data saham meliputi tanggal, harga saham ketika dibuka pada hari itu, harga tertinggi, harga terendah, harga saham di tutup dan volume transaksi saham. Sample data dapat dilihat pada tabel.
Tabel 1. Data Saham Telkom 2019-2023
Date Open High Low Close Volume
01/01/2019 3750 3750 3750 3750 0
02/01/2019 3750 3760 3700 3730 31355300 03/01/2019 3710 3770 3690 3740 83842400 04/01/2019 3690 3740 3690 3710 73936900
….. ….. ……. …… …… …….
09/01/2023 3730 3790 3730 3790 46616400 10/01/2023 3810 3850 3750 3830 80009900 11/01/2023 3820 3900 3790 3870 75139300 09/01/2023 3730 3790 3730 3790 46616400
Data saham telkom berasal dari yahoo finance [18] dan data saham yang diambil meliputi kolom date, open, close, high, low dan volume. Date merupakan data tanggal, bulan, dan tahun untuk data saham yang diterbitkan dalam waktu sesuai pembukaan pasar saham. Open merupakan data harga saham pertama kali melakukan transaksi pada hari itu. High dan Low merupakan pergerakan harga harian untuk melakukan posisi jual atau beli saham secara rasionalitas. Close merupakan harga saham pada saat semua perdagangan di bursa saham berakhir.
Pada penelitian ini, difokuskan pada harga saham open atau pembukaan harga saham harian sebagai acuan atau data input yang akan diolah untuk data pelatihan dan data pengujian. Sehingga bentuk data penelitian ini dapat dilihat pada tabel 2
Tabel 2. Data Saham Telkom bagian Open Tahun 2019-2023 Date Open
01/01/2019 3750 02/01/2019 3750 03/01/2019 3710 04/01/2019 3690
….. …..
09/01/2023 3730 10/01/2023 3810 11/01/2023 3820 09/01/2023 3730 2.3 Preprocessing Data
Pada proses preprosesing data akan dilakukan segmentasi atau pengelompokan data dari proses pengambilan data pada yahoo finance. Data yang diambil sebanyak 999 data berdasarkan data saham Telkom. Dengan berurutan diambil 75% data (750 data) untuk pelatihan dan 25% data (249 data) digunakan untuk pengujian. Ilustrasi pembagian data dapat dilihat pada Gambar 2.
Gambar 2. Pembagian data pelatihan dan data pengujian 2.4 Perancangan Model LSTM
LSTM merupakan salah satu variasi dari Recurrent Neural Network (RNN) yang digunakan untuk mengatasi permasalahan hidden layer. Inti dari algoritma LSTM adalah menggabungkan control non-linier dan dependent kedalam sel RNN [19], dilain hal untuk memastiskan gradien fungsi tujuan dengan memperhatikan sinyal tidak menghilang. LSTM digunakan untuk mengatasi vanishing gradient atau situasi ketika gradien bernilai 0 atau mendekati 0 dengan melewati mekanisme gate [20]. Algoritma LSTM menggabungkan state sebelumnya, dengan memori saat ini serta nilai input. Untuk tingkat efisiensi, LSTM mampu merekam long-term dependencies
Gambar 3. Ilustrasi Model LSTM
Berdasarkan gambar 3, LSTM mempunyai tiga gate diantaranya Forget gate (𝑓𝑡 ) yang digunakan untuk menentukan informasi yang akan dieliminasi dari sel menggunakan sigmoid layer dengan mengaktifkan fungsi Relu. Input gate (𝑖𝑡) digunakan sebagai meneruskan informasi dari sigmoid layer yang akan dilakukan pembaharuan dan tanh layer akan dilakukan perubahan sebuah vector yang akan diperbaharui. Output gate digunakan untuk memaparkan isi sel memori pada proses output LSTM. Pada proses LSTM, langkah pertama akan dilakukan pemutusan informasi dari 𝐶𝑡−1 dengan menggunakan forget gate. Gerbang ini mempunyai tugas untuk membaca nilai 𝑠𝑡−1 dan 𝑥𝑡 , sehingga menghasilkan nilai antara 0 hingga 1, untuk setiap elemen dalam 𝐶𝑡−1 . Apabila diformulakan akan membentuk persamaan sebagai berikut
𝑓𝑡= 𝜎(𝑊𝑓∙ [𝑆𝑡−1 , 𝑋𝑡] + 𝑏𝑓) (1)
Untuk elemen dalam 𝐶𝑡−1 memungkinkan tersimpan informasi gender subyek temporary, sehingga kata ganti yang benar dapat digunakan. Ketika melihat subyek baru, maka elemen lama dalam 𝐶𝑡−1 bisa ditiadakan.
Proses selanjutnya input gate melakukan pemutusan nilai mana yang akan dilakukan perbaharuan. Kemudian, untuk tanh layer menghasilkan kandidat vektor konteks baru 𝐶̃𝑡 . Oleh karena itu akan dilakukan penggabungan diantara keduanya untuk membuat pembaruan ke konteks nanti. Sehingga, dalam hal ini proses tersebut dapat diformulakan sebagai berikut
𝑖𝑡= 𝜎(𝑊𝑖∙ [𝑆𝑡−1 , 𝑋𝑡] + 𝑏𝑖) (2)
𝐶̃𝑡= 𝑡𝑎𝑛ℎ(𝑊𝐶∙ [𝑆𝑡−1 , 𝑋𝑡] + 𝑏𝐶) (3)
Saat ini akan dilakukan untuk memperbaharui konteks lama 𝐶𝑡−1 ke dalam konteks baru 𝐶𝑡. Untuk menghilangkan hal-hal yang sudah diputuskan maka proses forget gate (𝑓𝑡 ) pada persamaan (1) dikalikan dengan konteks lama pada persamaan (2) dan persamaan (3). Maka, akan diperoleh persamaan baru sebagai berikut
𝐶𝑡= 𝑓𝑡∗ 𝐶𝑡−1 + 𝑖𝑡∗ 𝐶̃𝑡 (4)
Pada proses output gate akan dilakukan pembaharuan pada sel dan sigmoid layer untuk memutuskan bagian-bagian apa dari konteks yang akan dihasilkan. Sehingga akan diperoleh persamaan sebagai berikut ini
𝑜𝑡= 𝜎(𝑊𝑜∙ [𝑆𝑡−1 , 𝑋𝑡] + 𝑏𝑜) (5)
𝑆𝑡= 𝑜𝑡∗ 𝑡𝑎𝑛ℎ (𝐶𝑡) (6)
Dimana untuk sigma ( ) merupakan fungsi aktivasi sigmoid dengan rentang nilai antara -1 dan 1 lalu tanh merupakan fungsi aktivasi target dengan nilai (-1,1) sedangkan 𝑊𝑡 , 𝑊𝑖 , 𝑊𝑐 , 𝑊𝑜 merupakan bobot matriks dan untuk 𝑆𝑡−1 merupakan hidden state sebelumnya serta 𝑏𝑡 , 𝑏𝑖 , 𝑏𝑐 , 𝑏𝑜 merupakan vektor bisa.
2.5 Model Optimasi Adam
Adam adalah teknik optimasi yang sangat populer dalam machine learning. Algoritma Adam menggunakan adaptif learning rate, yaitu learning rate yang dapat menyesuaikan diri selama pelatihan untuk mengoptimalkan performa model. Teknik ini juga menggunakan moment estimation untuk memperkirakan nilai mean dan standard deviation pada gradient. Hal ini membuat algoritma Adam efektif dalam mengoptimalkan model dengan cepat dan efisien [21].
2.6 Model Optimasi SGD (Stochastic Gradient Descent)
SGD adalah teknik optimasi yang sangat sederhana dan sering digunakan dalam machine learning. Algoritma SGD memperbarui parameter model pada setiap iterasi dengan mengambil langkah ke arah negatif dari gradient. SGD juga menggunakan learning rate yang dapat disesuaikan, tetapi learning rate pada SGD tidak menyesuaikan diri selama pelatihan seperti pada Adam. Hal ini membuat SGD kurang efektif dalam mengoptimalkan model pada beberapa kasus [22].
2.7 Model Optimasi RMSprop
RMSprop adalah teknik optimasi yang mirip dengan Adam, tetapi menggunakan pendekatan yang berbeda dalam menghitung nilai adaptif learning rate. Algoritma RMSprop menggunakan perhitungan moving average untuk mengestimasi nilai mean pada gradient. Hal ini memungkinkan RMSprop untuk menyesuaikan learning rate pada setiap parameter model secara independen. RMSprop sering digunakan dalam model Deep Learning[23].
3. HASIL DAN PEMBAHASAN
Pada sub bab ini akan dilakukan pembahasan mengenai hasil penelitian yang dilakukan dengan menggunakan dataset saham Telkom dari tahun 2019-2023 dengan melakukan pembagian data latih 75% dan data pengujian 25% dengan menekankan pada data saham kolom harga open. Pada proses menjalankan algoritma LSTM dibagi menjadi beberapa proses diantara penggunaan optimizer Adam, SGD serta Rmsprop dengan variasi epoch 25, 50, 75 serta 100.
3.1 Visualisasi Data Set Saham Telkom Kolom Open
Dataset yang digunakan dalam penilitian ini diurutkan dari 1 Januari 2019 hingga 11 Januari 2023. Proses analisis data dengan menggunakan machine learning ini di fokuskan pada kolom harga open, dimana hal ini merupakan pembukaan harga harian pada setiap data saham. Data divisualisasikan berbentuk line chart menggunakan pemrograman python pada platform google colabs. Visualisasi data saham Telkom kolom Open dapat dilihat pada Gambar 4.
Gambar 4. Grafik Saham Telkom, kolom Open tahun 2019-2023 3.2 Hasil Visualisasi Uji Coba
Setelah dilakukan Uji Coba pada setiap optimasi dan variasi epoch menggunakan data yang sudah disediakan, hasil visualisasi grafik prediksi dengan Optimasi Adam dapat dilihat pada Gambar 5, Hasil Optimasi SGD dapat dilihat pada Gambar 6, dan hasil optimasi RMSprop dapat dilihat pada Gambar 7.
Gambar 5. Data Prediksi untuk Saham Telkom menggunakan model optimasi Adam
Gambar 6. Data Prediksi untuk Saham Telkom menggunakan model optimasi SGD
Gambar 7. Data Prediksi untuk Saham Telkom menggunakan model optimasi RMSprop 3.3 Hasil Pengujian Akurasi
Pada Hasil pengujian Akurasi menggunakan formula 1- Mean Absolute Percentage Error (MAPE). Hasil percobaan menggunakan 3 tipe optimasi yang sudah disebutkan, dan 4 variasi nilai epoch. Hasil Nilai Akurasi dapar dilihat pada Tabel 3 dan Visualisasi menggunakan Line Chart dapat dilihat pada Gambar 8.
Tabel 3. Akurasi Hasil Pengujian
Akurasi (%)
Epoch Adam SGD RMSprop
25 97,96 97,81 97,61
50 98,4 98,04 98,27
75 98,45 97,98 98,26
100 98,59 98,02 98,37
Gambar 8. Grafik Akurasi Hasil Uji Coba menggunakan optimasi Adam, SGD, dan RMSprop
Berdasarkan tabel 3 dan gambar 8 diketahui jika nilai akurasi tertinggi diperoleh pada optimasi Adam dengan nilai epoch 100 dengan nilai akurasi 98,59% dan nilai akurasi terendah didapat pada optimasi RMSprop dengan nilai epoch 25 dengan nilai akurasi 97,61%. Pada Optimasi Adam , semakin tinggi nilai eoch yang digunakan, nilai akurasi yang didapat semakin baik. Namun pada optimasi SGD dan RMSprop tidak berlaku. Nilai akurasi pada kedua optimasi tersebut tidak terlalu berpengaruh berdasarkan epoch. Pada optimasi SGD nilai akurasi tertinggi didapat pada epoch 50. Sedangkan pada optimasi RMSprop nilai akurasi tertinggi didapat pada epoch 100.
3.4 Hasil Pengujian Loss
Pada Hasil pengujian Loss menggunakan formula Mean Squared error (MSE). Hasil percobaan menggunakan 3 tipe optimasi yang sudah disebutkan, dan 4 variasi nilai epoch. Hasil nilai Loss dapat dilihat pada Tabel 4 dan Visualisasi menggunakan Line Chart dapat dilihat pada Gambar 9
Tabel 4. Loss Hasil Pengujian
Gambar 9. Grafik loss hasil uji coba menggunakan optimasi Adam, SGD, dan RMSprop
Berdasarkan tabel 4 dan gambar 9 diketahui jika nilai loss terendah diperoleh pada optimasi Adam dan RMSprop dengan nilai epoch 100 dengan nilai loss 0,0011 dan nilai loss tertinggi didapat pada optimasi SGD dengan nilai epoch 25 dengan nilai loss 0,003656 . Pada Optimasi SGD, nilai loss menduduki nilai tertinggi pada setiap percobaan menggunakan variasi epoch dibanding dengan optimasi lain , semakin tinggi nilai epoch yang digunakan, nilai loss yang didapat semakin rendah.
3.5 Hasil Pengujian Total Komputasi
Pada Hasil pengujian total komputasi menggunakan penjumlahan nilai hasil kalkulasi komputasi pada setiap percobaan epoch yang terdapat pada library. Hasil percobaan menggunakan 3 tipe optimasi yang sudah disebutkan, dan 4 variasi nilai epoch dapat dilihat pada Tabel 5 dan Visualisasi menggunakan Line Chart dapat dilihat pada Gambar 10.
Tabel 5. Total Komputasi Hasil Pengujian
Gambar 10. Grafik total komputasi hasil uji coba menggunakan optimasi Adam, SGD, dan RMSprop Loss
Epoch Adam SGD RMSprop 25 0,001440 0,003656 0,001540 50 0,001280 0,002850 0,001330 75 0,001197 0,002532 0,001299 100 0,001100 0,002477 0,001100
Total Komputasi (s)
Epoch Adam SGD RMSprop
25 463 449 448
50 909 863 861
75 1371 1300 1329
100 1764 1708 1780
Berdasarkan tabel 5 dan gambar 10 diketahui jika waktu komputasi tercepat diperoleh pada optimasi RMSprop dengan nilai epoch 25 dengan waktu komputasi 448 detik dan waktu komputasi terlama didapat pada percobaan optimasi RMSprop dengan nilai epoch 100 dengan waktu komputasi 1780 detik. Berdasarkan tabel 5 dapat disimpulkan bahwa semakin besar epoch, maka semakin tinggi juga waktu komputasi.
4. KESIMPULAN
Pada penelitian ini didapatkan beberapa percobaan diantaranya melakukan analisis pada model optimasi, variasai epoch, waktu komputasi, nilai loss dan akurasi. Variasi nilai epoch mempengaruhi waktu komputasi, semakin besar nilai epoch, maka semakin tinggi juga waktu komputasi yang dibutuhkan untuk menyelesaikan algoritma LSTM. Model optimasi juga mempengaruhi hasil setiap variasi epoch pada nilai loss dan akurasi. Tetapi model optimasi Adam, menunjukkan bahwa semakin tinggi nilai epoch, maka semakin rendah nilai loss. Oleh karena itu, semakin rendah nilai loss, semakin tinggi tingkat akurasi prediksi data saham yang dihasilkan.
UCAPAN TERIMAKASIH
Terima kasih disampaikan kepada institusi ITDRI sebagai pihak yang mendukung penelitian ini.
REFERENCES
[1] B. E. Indonesia, “Saham Indonesia.” https://www.idx.co.id/produk/saham/
[2] I. Oktavia and K. Genjar, “FAKTOR-FAKTOR YANG MEMPENGARUHI HARGA SAHAM,” J. Ris. Akunt.
Multiparadigma, vol. 6, no. 1, pp. 29–39, 2019.
[3] S. Saleh and R. Tabe, “Analysis Of Stock Price At Pt. Telkom Indonesia Tbk Before And After Having Damage On Its Satelit,” Tasharruf J. Econ. Bus. Islam, vol. 3, no. 1, pp. 13–26, 2018, doi: 10.30984/tjebi.v3i1.653.
[4] M. T. S. Putra and I. G. A. M. A. D. Putri, “Pengaruh Pengungkapan Corporate Social Responsibility terhadap Nilai Perusahaan dengan Good Corporate Governance sebagai Variabel Pemoderasi,” E-Jurnal Akunt., vol. 32, no. 5, p. 1317, 2022, doi: 10.24843/eja.2022.v32.i05.p15.
[5] P. F and Fawcett, Data Science and it Relationship to Big Data and Data Driven Decision Making. 2013.
[6] A. S. Talita and A. Wiguna, “Implementasi Algoritma Long Short-Term Memory (LSTM) Untuk Mendeteksi Ujaran Kebencian (Hate Speech) Pada Kasus Pilpres 2019,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol.
19, no. 1, pp. 37–44, 2019, doi: 10.30812/matrik.v19i1.495.
[7] T. Lattifia, P. Wira Buana, and N. K. D. Rusjayanthi, “Model Prediksi Cuaca Menggunakan Metode LSTM,” JITTER J.
Ilm. Teknol. dan Komput., vol. 3, no. 1, pp. 994–1000, 2022, [Online]. Available:
https://ojs.unud.ac.id/index.php/jitter/article/view/85000/43781
[8] J. Cao, J., Li, Z., & Li, Financial Time Series Forecasting Model Based in CEEMDAN and LSTM. Physic A: Statistical Mechanics and its Applications. 2019.
[9] R. D. W. Santosa, M. A. Bijaksana, and A. Romadhony, “Implementasi Algoritma Long Short-Term Memory ( LSTM ) untuk Mendeteksi Penggunaan Kalimat Abusive Pada Teks Bahasa Indonesia,” e-Proceeding Eng., vol. 8, no. 1, pp. 691–
702, 2021.
[10] D. D. Pramesti, D. C. R. Novitasari, F. Setiawan, and H. Khaulasari, “Long-Short Term Memory (Lstm) for Predicting Velocity and Direction Sea Surface Current on Bali Strait,” BAREKENG J. Ilmu Mat. dan Terap., vol. 16, no. 2, pp.
451–462, 2022, doi: 10.30598/barekengvol16iss2pp451-462.
[11] A. A. Ningrum, I. Syarif, A. I. Gunawan, E. Satriyanto, and R. Muchtar, “Algoritma Deep Learning-LSTM untuk Memprediksi Umur Transformator,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 3, p. 539, 2021, doi:
10.25126/jtiik.2021834587.
[12] D. Tarkus, S. R. U. A. Sompie, and A. Jacobus, “Implementasi Metode Recurrent Neural Network pada Pengklasifikasian Kualitas Telur Puyuh,” J. Tek. Inform., vol. 15, no. 2, pp. 137–144, 2020.
[13] P. A. Qori, D. S. Oktafani, and I. Kharisudin, “Analisis Peramalan dengan Long Short Term Memory pada Data Kasus Covid-19 di Provinsi Jawa Tengah,” Prism. Pros. Semin. Nas. Mat., vol. 5, pp. 752–758, 2022.
[14] M. W. P. Aldi, Jondri, and A. Aditsania, “Analisis dan Implementasi Long Short Term Memory Neural Network untuk Prediksi Harga Bitcoin,” J. Inform., vol. 5, No, no. 2, p. 3548, 2018, [Online]. Available:
http://openlibrarypublications.telkomniversity.ac.id
[15] A. Khumaidi, R. Raafi’udin, and I. P. Solihin, “Pengujian Algoritma Long Short Term Memory untuk Prediksi Kualitas Udara dan Suhu Kota Bandung,” J. Telemat., vol. 15, no. 1, pp. 13–18, 2020, [Online]. Available:
https://journal.ithb.ac.id/telematika/article/view/340
[16] L. Wiranda and M. Sadikin, “Penerapan Long Short Term Memory Pada Data Time Series Untuk Memprediksi Penjualan Produk Pt. Metiska Farma,” J. Nas. Pendidik. Tek. Inform., vol. 8, no. 3, pp. 184–196, 2019.
[17] M. K. Wisyaldin, G. M. Luciana, and H. Pariaman, “Pendekatan Long Short-Term Memory untuk Memprediksi Kondisi Motor 10 kV pada PLTU Batubara,” J. Kilat, vol. 9, no. 2, pp. 311–318, 2020.
[18] Y. Finance, “Perusahaan Perseroan (Persero) PT Telekomunikasi Indonesia Tbk (TLKM.JK).”
https://finance.yahoo.com/quote/TLKM.JK/history/ (accessed Jan. 11, 2023).
[19] L. Gao, Z. Guo, H. Zhang, X. Xu, and H. T. Shen, “Video Captioning with Attention-Based LSTM and Semantic Consistency,” IEEE Trans. Multimed., vol. 19, no. 9, pp. 2045–2055, 2017, doi: 10.1109/TMM.2017.2729019.
[20] A. Pulver and S. Lyu, “LSTM with working memory,” Proc. Int. Jt. Conf. Neural Networks, vol. 2017-May, pp. 845–
851, 2017, doi: 10.1109/IJCNN.2017.7965940.
[21] D. P. Kingma and J. L. Ba, “Adam: A method for stochastic optimization,” 3rd Int. Conf. Learn. Represent. ICLR 2015 - Conf. Track Proc., pp. 1–15, 2015.
[22] L. Bottou, “Large-scale machine learning with stochastic gradient descent,” Proc. COMPSTAT 2010 - 19th Int. Conf.
Comput. Stat. Keynote, Invit. Contrib. Pap., pp. 177–186, 2010, doi: 10.1007/978-3-7908-2604-3_16.
[23] G. Hinton, “Lecture 6e - rmsprop: Divide the gradient by a running average of its recent magnitude,” COURSERA Neural networks Mach. Learn., vol. 4, no. 2, pp. 26–31, 2012, [Online]. Available:
http://www.cs.toronto.edu/~tijmen/csc321/slides/lecture_slides_lec6.pdf
