<![CDATA[— Peramalan saham merupakan salah satu tugas penting di pasar saham karena prediksi harga saham di masa depan dapat membantu investor dalam mengambil keputusan yang lebih baik. Penelitian ini mengkaji potensi jaringan Bidirectional Long Short-Term Memory (BiLSTM) sebagai bagian dari model deep learning untuk meningkatkan akurasi prediksi saham. Model BiLSTM yang diusulkan memanfaatkan kemampuan arsitektur model ini untuk menangkap ketergantungan jangka pendek dan jangka panjang dengan memproses data secara dua arah. Hal ini memungkinkan model untuk memanfaatkan informasi dari masa lalu dan masa depan secara simultan, memberikan prediksi yang lebih akurat. Model BiLSTM ini dievaluasi menggunakan metrik evaluasi seperti Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Penelitian ini menguji model pada beberapa saham, termasuk Apple, Gold, Oil, dan Silver. Hasil penelitian menunjukkan bahwa pendekatan BiLSTM tidak hanya efektif dalam memajukan metode peramalan harga penutupan saham, tetapi juga memiliki aplikasi praktis pada berbagai instrumen keuangan lainnya. Temuan ini memberikan kontribusi signifikan dalam bidang peramalan pasar saham, memperlihatkan bahwa BiLSTM dapat menjadi alat yang andal dan efektif dalam memprediksi pergerakan harga saham dan instrumen keuangan lainnya. Kata kunci — peramalan saham, deep learning, BiLSTM.]]>
Copyrights © 2024
