<![CDATA[Prediksi harga saham merupakan permasalahan yang kompleks karena karakteristik data deret waktu finansial yang bersifat non-linear, volatil, dan dinamis. Meskipun algoritma Long Short-Term Memory (LSTM) terbukti efektif dalam menangkap pola temporal, banyak penelitian sebelumnya menggunakan pendekatan multivariat yang melibatkan variabel dengan korelasi sangat tinggi sehingga berpotensi menimbulkan redundansi informasi dan meningkatkan kompleksitas model. Penelitian ini mengusulkan model LSTM univariat untuk memprediksi harga saham Nokia Corporation (NOK) dengan menggunakan harga penutupan sebagai variabel masukan tunggal. Data historis harian periode 1 Oktober 2015 hingga 24 Oktober 2025 sebanyak 2.532 observasi diperoleh dari Yahoo Finance. Sebelum proses pemodelan, dilakukan analisis korelasi terhadap variabel Open, High, Low, Close, dan Volume. Hasil analisis menunjukkan bahwa variabel harga memiliki korelasi yang sangat tinggi (r > 0,99), sedangkan variabel Volume memiliki korelasi yang sangat rendah terhadap variabel harga (−0,052 ≤ r ≤ −0,043). Berdasarkan hasil tersebut, harga penutupan dipilih sebagai fitur utama dalam pemodelan. Untuk mengevaluasi performa model pada kondisi prediksi yang realistis, diterapkan metode Walk-Forward Validation (WFV) sebanyak 30 iterasi. Hasil pengujian menunjukkan bahwa model memperoleh nilai MSE sebesar 0,0260, RMSE sebesar 0,1613, MAE sebesar 0,1086, MAPE sebesar 2,75%, dan koefisien determinasi (R²) sebesar 0,9446. Hasil tersebut menunjukkan bahwa model mampu menjelaskan 94,46% variasi harga saham dengan tingkat kesalahan prediksi yang rendah. Penelitian ini menyimpulkan bahwa model LSTM univariat yang didukung oleh proses seleksi fitur yang sistematis dan validasi temporal yang robust mampu menghasilkan prediksi harga saham yang andal dengan kompleksitas yang lebih rendah dibandingkan pendekatan multivariat konvensional.]]>
