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
Idma, Faiz Alvino
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 
Analisis Dampak Fitur Order Flow dalam Prediksi Harga Penutupan Saham PT Bumi Resources Tbk (BUMI) dengan Model CNN-LSTM Idma, Faiz Alvino; Fatyanosa, Tirana Noor; Santoso, Edy
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 10 (2026): Oktober 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Pergerakan harga saham pada perdagangan intraday memiliki karakteristik yang dinamis sehingga memerlukan model prediksi yang mampu memanfaatkan informasi harga dan aktivitas transaksi secara efektif. Penelitian ini bertujuan menganalisis kemampuan model Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM) dalam memprediksi harga penutupan (future close) saham PT Bumi Resources Tbk (BUMI) menggunakan data OHLCV berinterval 15 detik, serta mengevaluasi pengaruh penambahan fitur yang diekstraksi dari data running trade terhadap performa model. Data penelitian menggunakan transaksi saham BUMI periode Maret hingga Mei 2026. Tahapan penelitian meliputi pembentukan data OHLCV, feature engineering berupa log return, high-low spread, dan volume imbalance, normalisasi menggunakan MinMaxScaler, pembentukan sekuens dengan teknik windowing, serta pelatihan model CNN-LSTM menggunakan metode Walk-Forward Validation. Evaluasi dilakukan menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), dan Coefficient of Determination (R²). Hasil pengujian menunjukkan bahwa model CNN-LSTM menggunakan fitur OHLCV memperoleh rata-rata MAE sebesar 2,3006, RMSE sebesar 2,9765, MAPE sebesar 1,1874%, dan R² sebesar 0,9736. Penambahan fitur running trade meningkatkan performa model dengan menghasilkan MAE sebesar 1,0639, RMSE sebesar 1,2952, MAPE sebesar 0,4979%, dan R² sebesar 0,9921. Hasil tersebut menunjukkan bahwa informasi mikrostruktur pasar dari data running trade mampu meningkatkan akurasi prediksi harga penutupan saham intraday.
Co-Authors Edy Santoso Tirana Noor Fatyanosa, Tirana Noor