Prediksi Harga Saham Pt. Smartfren Telecom Tbk. (Fren.Jk) Menggunakan Algoritma Long Short Term Memory

Tambing, Nathania Maerella Arunglabi and Satrio Hadi Wijoyo, S.Si., S.Pd., M.Kom., and Ir. Nanang Yudi Setiawan, S.T., M.Kom., (2025) Prediksi Harga Saham Pt. Smartfren Telecom Tbk. (Fren.Jk) Menggunakan Algoritma Long Short Term Memory. Sarjana thesis, Universitas Brawijaya.

Abstract

Investasi saham telah menjadi salah satu cara yang populer untuk menambah penghasilan, terutama mengingat pertumbuhan eksponensial minat masyarakat terhadap pasar saham dalam beberapa dekade terakhir. Namun, investasi ini juga memiliki risiko tinggi, sehingga diperlukan prediksi yang akurat untuk membantu investor dalam membuat keputusan yang tepat. Penelitian ini bertujuan untuk memprediksi harga saham PT. Smartfren Telecom Tbk (FREN.JK) menggunakan algoritma Long Short Term Memory (LSTM), sebuah jenis Recurrent Neural Network (RNN) yang dirancang khusus untuk menangani data sekuensial. Metode LSTM dipilih karena kemampuannya dalam menyimpan informasi dari data (time series) input sebelumnya dan mengatasi masalah vanishing gradient. Data yang digunakan meliputi data harian harga penutupan saham dari periode 1 Januari 2023 hingga 31 Juli 2024, yang diperoleh dari situs Yahoo Finance. Data dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Model LSTM yang diterapkan menggunakan variabel persediaan dan piutang usaha pihak berelasi sebagai fitur tambahan, yang relevansinya terhadap harga saham dibuktikan melalui perhitungan koefisien korelasi Spearman. Hasil menunjukkan bahwa model LSTM dengan fitur berikut memiliki nilai error yang lebih kecil dengan nilai RMSE 14603 dan MAPE 21%, dibandingkan model yang menggunakan fitur tambahan berupa seluruh variabel aset lancar menghasilkan RMSE 15526 dan MAPE 23%. Penelitian ini memberikan kontribusi dalam pengembangan model prediksi harga saham dengan mengintegrasikan variabel tambahan yang relevan serta menerapkan algoritma Long Short Term Memory yang efektif.

English Abstract

Stock investment has become one of the most popular ways to supplement income, especially given the exponential growth of public interest in the stock market in recent decades. However, this investment also has a high risk, so accurate forecasting is needed to help investors make the right decision. This research aims to predict the stock price of PT Smartfren Telecom Tbk (FREN.JK) using the Long Short Term Memory (LSTM) algorithm, a type of Recurrent Neural Network (RNN) specifically designed to handle sequential data. The LSTM method was chosen because of its ability to store information from previous input time series and overcome the vanishing gradient problem. The data used includes daily closing stock price data from the period 1 January 2023 to 31 July 2024, obtained from the Yahoo Finance website. The data is divided into 80% for training and 20% for testing. The applied LSTM model uses inventory and related party accounts receivable variables as additional features, whose relevance to stock prices is proven through the calculation of the Spearman correlation coefficient. The results show that the LSTM model with the following features has a smaller error value with an RMSE value of 14603 and a MAPE of 21%, compared to the model that uses additional features in the form of all current asset variables resulting in an RMSE of 15526 and a MAPE of 23%. This research contributes to the development of stock price prediction models by integrating additional relevant variables and applying effective Long Short Term Memory algorithms.

Item Type:	Thesis (Sarjana)
Identification Number:	052515
Uncontrolled Keywords:	Long Short Term Memory, PT. Smartfren Telecom Tbk. prediksi, harga saham, time series
Divisions:	Fakultas Ilmu Komputer > Teknologi Informasi
Depositing User:	S Sucipto
Date Deposited:	13 Feb 2025 01:55
Last Modified:	13 Feb 2025 01:55
URI:	http://repository.ub.ac.id/id/eprint/236549

Text (DALAM MASA EMBARGO) Nathania Maerella Arungla'bi' Tambing.pdf Restricted to Registered users only Download (3MB)

Actions (login required)

View Item