Claim Missing Document
Check
Articles

Found 2 Documents
Search

Peramalan Harga Saham BCA Menggunakan Long Short Term Memory (LSTM) Faqihuddin Al Anshori
Jurnal Dinamika Informatika Vol. 13 No. 2 (2024): Jurnal Dinamika Informatika Volume: 13 Nomer: 2
Publisher : Program Studi Informatika Universitas PGRI Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31316/jdi.v13i2.511

Abstract

Penelitian ini berfokus pada pengembangan dan evaluasi model Long Short-Term Memory (LSTM) untuk prediksi saham BCA. Model LSTM dipilih karena kemampuannya dalam menangani data deret waktu yang kompleks dan menangkap pola temporal yang mendasari. Dalam penelitian ini, model LSTM dilatih dan diuji menggunakan dataset saham BCA yang bersumber dari Yahoo Finance. Hasil evaluasi menunjukkan bahwa model LSTM memiliki performa prediksi yang sangat baik dengan Mean Absolute Percentage Error (MAPE) sebesar 1.1244905% dan Root Mean Squared Error (RMSE) sebesar 109.78883. Nilai MAPE yang rendah menunjukkan bahwa model ini dapat memberikan prediksi dengan kesalahan rata-rata yang sangat kecil, yaitu sekitar 1.12% dari nilai aktual. Nilai RMSE memberikan gambaran tentang tingkat kesalahan absolut prediksi, yang dalam konteks skala data yang digunakan, menunjukkan kesesuaian yang baik antara nilai prediksi dan nilai aktual. Kesimpulannya, model LSTM yang dikembangkan menunjukkan potensi besar untuk digunakan dalam prediksi harga saham. Model ini dapat diandalkan untuk memberikan prediksi yang akurat dan membantu dalam pengambilan keputusan berbasis data. Penelitian lebih lanjut direkomendasikan untuk mengoptimalkan model ini melalui teknik-teknik seperti tuning hiperparameter dan penggabungan dengan model-model lain untuk meningkatkan akurasi prediksi lebih lanjut. Selain itu, penerapan model pada berbagai jenis data dan skenario yang berbeda akan memperluas generalisasi dan aplikasi dari model LSTM yang dikembangkan.
Comparative Analysis Of Artificial Intelligence Models For User Behavior Prediction In Big Data-Driven Information Systems Faqihuddin Al Anshori; Muhammad Fairuzabadi; Mohd Nasrun Mohd Nawi
APPLIED SCIENCE AND TECHNOLOGY REASERCH JOURNAL Vol. 4 No. 2 (2025): Applied Science and Technology Research Journal
Publisher : Lembaga Penelitian dan Pengabdian Mayarakat (LPPM) Universitas PGRI Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31316/astro.v4i2.8428

Abstract

In the era of digital transformation, Artificial Intelligence (AI) plays a pivotal role in enabling intelligent, data-driven information systems. This study presents a comprehensive comparative analysis of AI models: Decision Tree (DT) and Artificial Neural Network (ANN), for user behavior prediction within simulated big data environments, specifically in the e-commerce domain. Using 1,000 synthetic sessions that mimic real-world user activities, the study evaluates model performance using classification metrics such as accuracy, precision, recall, and F1-score. ANN outperforms DT across all metrics, achieving 87.2% accuracy and demonstrating superior learning efficiency and generalization. To complement the evaluation, a Long Short-Term Memory (LSTM) model is employed for time-series prediction, yielding a low MAPE of 1.12%, confirming its effectiveness in capturing sequential patterns. The findings offer valuable insights into AI model selection for adaptive and predictive information systems, with implications for developers and researchers seeking to enhance system responsiveness and personalization.