<![CDATA[Prediksi harga saham merupakan tantangan kompleks yang memerlukan pendekatan komputasi cerdas guna menangkap pola temporal dari data historis. Studi ini menganalisa kinerja tiga model jaringan saraf berulang, yaitu Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU) dalam memprediksi harga penutupan saham PT Telkom Indonesia Tbk berdasarkan data deret waktu dari tahun 2019 hingga 2024. Dataset diperoleh dari Kaggle dan difokuskan pada variabel harga penutupan. Data diproses melalui normalisasi MinMaxScaler dan dibentuk dalam jendela waktu 60 hari. Evaluasi dilakukan menggunakan metrik RMSE dan MAE. Hasil menunjukkan bahwa GRU menghasilkan performa terbaik dengan nilai RMSE 48.77 dan MAE 34.87, diikuti oleh RNN, sementara LSTM menunjukkan performa terendah. Penelitian ini memberikan rekomendasi pemilihan arsitektur berdasarkan kompleksitas data pasar saham domestik.]]>
Copyrights © 2025
