Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal JUTIS : Jurnal Teknik Informatika Tematik : Jurnal Teknologi Informasi Komunikasi Intechno Journal : Information Technology Journal
Roni Saputra
STMIK IKMI Cirebon
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Penerapan Model LSTM Univariat dengan Walk-Forward Validation untuk Estimasi Harga Saham Nokia Ahmad Rifai; Roni Saputra; Dian Ade Kurnia; Fatihanursari Dikananda
TEMATIK Vol. 13 No. 1 (2026): Tematik : Jurnal Teknologi Informasi Komunikasi (e-Journal) - Juni 2026
Publisher : LPPM POLITEKNIK LP3I BANDUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38204/tematik.v13i1.3000

Abstract

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.
The Effectiveness of Dropout Layers in LSTM Architecture for Reducing Overfitting in Sony Stock Prediction Roni Saputra; Dian Ade Kurnia; Yudhistira Arie Wijaya
Intechno Journal : Information Technology Journal Vol. 7 No. 2 (2025): December
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/intechnojournal.2025v7i2.2369

Abstract

This study investigates the effectiveness of dropout layers in reducing overfitting within Long Short-Term Memory (LSTM) neural networks for Sony stock price prediction. Financial time series forecasting presents significant challenges due to market volatility and noise, often leading to models that overfit historical data while failing to generalize to unseen market conditions. We implemented two LSTM models: one without dropout layers and another with dropout layers (rate=0.2) applied after each LSTM layer. Using historical Sony stock data from 2015-2025, we evaluated both models using Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE) metrics. The model with dropout demonstrated superior performance on testing data, achieving RMSE of 0.5971, MAE of 0.4411, and MAPE of 2.1502%, compared to the model without dropout which obtained RMSE of 0.7124, MAE of 0.5636, and MAPE of 2.6684%. Furthermore, the dropout model exhibited significantly reduced overfitting, with smaller performance gaps between training and testing datasets across all metrics, particularly in MAPE where the difference approached zero (0.0509%). This research provides empirical evidence that dropout regularization effectively enhances LSTM model generalization for stock prediction, offering practical value for developing more reliable financial forecasting models. Future research could explore optimal dropout rates for different market conditions and investigate combinations of dropout with other regularization techniques.
Evaluasi Prediksi Harga Saham Nokia Menggunakan LSTM Univariat dengan Pendekatan Walk-Forward Validation Roni Saputra; Martanto Martanto; Raditya dana Dana; Dodi Solihudin; Tati Suprapti
JURNAL TEKNIK INFORMATIKA UNIS Vol. 13 No. 2 (2025): Jutis (Jurnal Teknik Informatika)
Publisher : Universitas Islam Syekh Yusuf

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Prediksi harga saham merupakan tantangan sentral di pasar modal yang kompleks dan volatil.Meskipun model pembelajaran mendalam seperti Long Short-Term Memory (LSTM) telahmenunjukkan potensi, banyak penelitian mengabaikan masalah multikolinearitas pada modelmultivariat dan menggunakan metode evaluasi yang tidak realistis. Untuk mengatasi ini,penelitian ini mengembangkan model prediksi harga saham Nokia menggunakan arsitekturLSTM univariat yang hanya memanfaatkan harga penutupan, sebuah keputusan yangdidasarkan pada bukti empiris multikolinearitas tinggi antar fitur harga. Kinerja modeldievaluasi secara ketat menggunakan Walk-Forward Validation (WFV) untuk mensimulasikankondisi perdagangan nyata dan menghindari bias evaluasi. Hasilnya menunjukkan performayang sangat baik dan stabil, dengan model mampu menjelaskan 94.46% varians data (R? =0.9446) dan mencapai Mean Absolute Percentage Error (MAPE) sebesar 2.75%. Konsistensiini terbukti melalui 30 iterasi WFV, yang mengonfirmasi ketahanan model di berbagai kondisipasar. Penelitian ini menyimpulkan bahwa pendekatan model LSTM univariat yang dievaluasidengan WFV terbukti efektif dan andal, bahkan dapat menjadi pilihan superior dibandingkanmodel yang lebih kompleks. Temuan ini menegaskan bahwa relevansi fitur dan standarevaluasi yang ketat lebih krusial daripada kompleksitas arsitektur, memberikan kontribusimetodologis penting bagi pengembangan model prediksi finansial yang andal di masa depan.
Co-Authors Ahmad Rifai Dian Ade Kurnia Dodi Solihudin Fatihanursari Dikananda Martanto Martanto Raditya dana Dana Tati Suprapti Yudhistira Arie Wijaya