Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal JOURNAL OF SCIENCE AND SOCIAL RESEARCH
Muhammad Septi
Universitas Maritim Raja Ali Haji
Computer Science & IT Economics, Econometrics & Finance Education Social Sciences

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
PERBANDINGAN KINERJA LONG SHORT-TERM MEMORY (LSTM) DAN BIDIRECTIONAL LONG SHORT-TERM MEMORY (BiLSTM) PADA PREDIKSI HARGA PENUTUPAN SAHAM PERBANKAN INDONESIA Muhammad Septi; Tekad Matulatan; Feri Irawan
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol. 9 No. 4 (2026): August 2026 (1)
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v9i4.6898

Abstract

Pergerakan harga saham yang bersifat fluktuatif dan nonlinier menuntut penggunaan model prediksi yang mampu menangkap pola deret waktu secara efektif. Penelitian ini bertujuan membandingkan kinerja metode Long Short-Term Memory (LSTM) dan Bidirectional Long Short-Term Memory (BiLSTM) dalam memprediksi harga penutupan saham sektor perbankan Indonesia, yaitu BBCA, BBRI, dan BMRI. Data yang digunakan berupa data historis harian yang diperoleh dari Yahoo Finance periode 1 Januari 2019 hingga 30 Desember 2024 dengan jumlah 1.469 data untuk setiap emiten. Tahapan penelitian meliputi preprocessing, uji korelasi, normalisasi Min-Max, pembentukan data menggunakan sliding window, pembagian data secara kronologis dengan proporsi 70% data pelatihan, 15% data validasi, dan 15% data pengujian, serta hyperparameter tuning. Kinerja model dievaluasi menggunakan Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model LSTM memberikan performa terbaik pada saham BBRI dengan MAPE 1,85% dan BMRI dengan MAPE 1,57%, sedangkan model BiLSTM menghasilkan performa terbaik pada saham BBCA dengan MAPE 1,57%. Secara keseluruhan, kedua model mampu menghasilkan prediksi dengan tingkat akurasi yang tinggi (MAPE < 2%), namun model yang optimal bergantung pada karakteristik masing-masing saham.
Co-Authors Feri Irawan Matulatan, Tekad