<![CDATA[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 (R² =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.]]>
