Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Fuady, Muhammad Ishtobir
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

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

Found 1 Documents
Search

 1 
Prediksi Harga Saham PT Digital Mediatama Maxima Tbk Menggunakan Metode CNN-LSTM Fuady, Muhammad Ishtobir; Adikara, Putra Pandu; Setiawan, Budi Darma
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 6 (2026): Juni 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Prediksi harga saham merupakan salah satu pendekatan yang digunakan untuk mempelajari pola pergerakan harga berdasarkan data historis. Karakteristik data saham yang bersifat time-series dan fluktuatif menuntut penggunaan metode yang mampu menangkap pola temporal secara efektif. Penelitian ini bertujuan menganalisis kinerja model Convolutional Neural Network–Long Short-Term Memory (CNN-LSTM) dalam memprediksi harga saham PT Digital Mediatama Maxima Tbk (DMMX), serta mengevaluasi pengaruh frekuensi data historis, panjang lookback, dan jumlah fitur terhadap kinerja model. Data yang digunakan berupa data historis saham DMMX dengan skenario data harian, mingguan, dan bulanan menggunakan fitur univariate dan multivariate (OHLCV). Tahapan penelitian meliputi preprocessing, pembentukan data menggunakan sliding window, pelatihan model CNN-LSTM, dan evaluasi menggunakan Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), serta Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa konfigurasi dengan nilai eror terendah diperoleh pada penggunaan data harian, lookback 2 bulan, dan fitur multivariate, dengan nilai RMSE sebesar 135,43, MAE sebesar 97,66, dan MAPE sebesar 3,09%. Selain itu, frekuensi data historis, panjang lookback, dan jumlah fitur terbukti memengaruhi kinerja model. Temuan ini menunjukkan bahwa pemilihan konfigurasi model yang sesuai dengan karakteristik data historis berperan penting dalam meningkatkan akurasi prediksi harga saham.
Co-Authors Budi Darma Setiawan Putra Pandu Adikara