<![CDATA[Prediksi harga saham merupakan tantangan kompleks dalam dunia keuangan karena tingginya volatilitas dan ketergantungan waktu pada data historis. Saham NVIDIA Corporation menjadi perhatian karena perannya dalam sektor teknologi mutakhir seperti AI dan GPU, yang membuat pergerakan harganya sangat fluktuatif. Untuk mengatasi tantangan tersebut, penelitian ini bertujuan mengembangkan model prediksi harga saham yang akurat dengan menggabungkan dua pendekatan: Long Short-Term Memory (LSTM) dan Generalized Autoregressive Conditional Heteroskedasticity (GARCH). GARCH digunakan untuk menghitung volatilitas harian sebagai fitur tambahan, sementara LSTM digunakan untuk memodelkan pola deret waktu harga saham. Penelitian dilakukan dengan pendekatan kuantitatif menggunakan data historis saham NVIDIA dari tahun 2015 hingga 2024 yang diambil dari Yahoo Finance. Hasil evaluasi model menunjukkan bahwa model hybrid GARCH-LSTM memiliki performa prediksi lebih baik dibandingkan model LSTM murni. Nilai Mean Absolute Error (MAE) yang diperoleh sebesar 1.72 dan Root Mean Squared Error (RMSE) sebesar 2.26, lebih rendah dibandingkan LSTM murni. Dengan demikian, integrasi GARCH dan LSTM terbukti efektif meningkatkan akurasi prediksi harga saham, serta dapat menjadi acuan dalam pengambilan keputusan investasi berbasis data]]>
Copyrights © 2026
