Wibawa, Triardy Satria (2021) Pemodelan Hybrid ARIMA-LSTM dalam Meramalkan Harga Saham (Studi Kasus: Harga Penutupan Saham Bank BCA). Sarjana thesis, Universitas Brawijaya.
Abstract
"Peramalan merupakan suatu proses untuk memprediksi kejadian ataupun perubahan di masa yang akan datang berdasarkan data-data masa lalu. Model yang sering digunakan untuk peramalan saat ini adalah model ARIMA (Autoregressive Integrated Moving Average) karena dianggap cukup sederhana. Namun, model ARIMA memiliki kelemahan yaitu hanya mampu mengakomodir struktur hubungan linier dari data. Pada kenyatannya, data harga saham merupakan sistem dinamis non-linier yang kompleks, karena saham dipengaruhi banyak entitas eksternal. Pemodelan deret waktu non-linier dapat dilakukan dengan metode parametrik dan non-parametrik. Dalam penggunaannya, model parameterik harus memenuhi asumsi yang mendasari model tersebut. Untuk itu juga dikembangkan metode nonparametrik seperti jaringan syaraf tiruan. Pada penelitian ini, dilakukan pemodelan hybrid ARIMA dengan jaringan syaraf tiruan Long Short-Term Memory (LSTM). Pemodelan hybrid diharapkan dapat meningkatkan akurasi. Hasil dari penelitian ini adalah terdapat peningkatan akurasi dari model ARIMA ke model hybrid di data training, ditunjukkan dengan MAPE model hybrid yang lebih kecil, 0.66% dibandingkan dengan 0.85% pada model ARIMA. Tetapi pada data testing, model hybrid tidak memberikan kenaikan akurasi yang bisa saja disebabkan karena overfitting pada model LSTM, hal ini ditunjukkan dengan MAPE pada model ARIMA yang lebih rendah 1.35% dibandingkan 1.76% pada model hybrid."
English Abstract
Forecasting is a process for predicting events or changes in the future based on past data. The model that is often used for forecasting today is the ARIMA (Autoregressive Integrated Moving Average) model because it is considered quite simple. However, the ARIMA model has a weakness that is only able to accommodate the linear relationship structure of the data. In fact, stock price data is a complex non-linear dynamic system, because stocks are influenced by many external entities. Non-linear time series modeling can be done by using parametric and non-parametric methods. In its use, the parameteric model must fulfill the assumptions underlying the model. For that purpose, non-parametric methods such as neural networks are also developed. From this study, known that there is an increase of accuracy from ARIMA model to hybrid model in training data, showed by the MAPE of hybrid model is smaller, 0.66% compared with 0.85% in ARIMA model. But in testing data, hybrid model does not give an increase to the accuracy, it maybe happens because of overfitting in LSTM model, it is shown that ARIMA model produce lower MAPE at 1.35%, compared to 1.76% in hybrid model.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | 052109 |
| Uncontrolled Keywords: | ARIMA, Jaringan Syaraf Tiruan, Long Short-Term Memory, Model Hybrid, ARIMA, Artificial Neural Networks, Long Short-Term Memory, Hybrid Model |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika |
| Depositing User: | Unnamed user with username dedyiskandar |
| Date Deposited: | 22 Oct 2021 03:50 |
| Last Modified: | 23 Feb 2022 04:28 |
| URI: | http://repository.ub.ac.id/id/eprint/184941 |
![[thumbnail of DALAM MASA EMBARGO]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text (DALAM MASA EMBARGO)
TRIARDY SATRIA WIBAWA.pdf Restricted to Registered users only until 31 December 2023. Download (2MB) |
Actions (login required)
 |
View Item |