Perbandingan Model Gated Recurrent Unit dan Long Short-Term Memory Dalam Prediksi Harga Saham

Ardi Lestari, Sofiana
Atina, Vihi
Hasanah, Herliyani

Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2025

Mengikuti perkembangan ilmu perekonomian yang semakin meluas, pentingnya investasi di pasar modal kini semakin disadari oleh masyarakat. Ketidakstabilan dan risiko yang dialami bagi para investor menjadikan pertimbangan menyeluruh akan strategi dalam menghadapi pergerakan harga saham yang sulit ditebak. Penelitian ini menganalisa harga saham dengan membandingan model terbaik pada PT. Telkom Indonesia Tbk. menggunakan algoritma Gated Recurrent Unit (GRU) dan Long Short-Term Memory (LSTM). Penelitian ini menggunakan JupyterLab sebagai tools mengeksekusi proses pengembangan model. Kedua model dievaluasi berdasarkan nilai metric Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan R2. Hasil pengujian menunjukkan bahwa model LSTM memiliki tingkat kesalahan minimal, dengan RMSE sebesar 57,41, MAE sebesar 42.76, R2 sebesar 0.95, dan MAPE sebesar 0.02, yang menandakan model LSTM memberikan ketepatan prediksi yang lebih baik dibandingkan dengan model GRU.