<![CDATA[Pergerakan harga saham cenderung tidak stabil dan sulit diprediksi karena memiliki pola yang kompleks serta berubah-ubah dari waktu ke waktu. Untuk mengatasi hal tersebut, penelitian ini menggunakan model Long Short-Term Memory (LSTM) dalam melakukan peramalan harga saham. Agar model yang dihasilkan memiliki kinerja yang optimal, dilakukan optimasi hyperparameter menggunakan metode Particle Swarm Optimization (PSO). Optimasi dilakukan pada tiga parameter utama LSTM yaitu LSTM units, dropout rate, dense units. Dari proses optimasi diperoleh enam konfigurasi model terbaik. Hasil pengujian menunjukkan model ke-5 memberikan hasil optimasi paling baik dengan nilai RMSE 120,3320 dan MAPE sebesar 3,53% dengan menggunakan kombinasi hyperparameter LSTM units = 137, dropout rate = 0,498, dan dense units = 32. Hasil ini menunjukkan bahwa optimasi hyperparameter memberikan peningkatan akurasi peramalan dibandingkan LSTM tanpa optimasi. Dengan demikian, kombinasi model LSTM dengan optimasi PSO mampu menghasilkan peramalan harga saham yang lebih akurat dan stabil. Pendekatan ini dapat digunakan sebagai alternatif dalam analisis pergerakan harga saham dan mendukung pengambilan keputusan investasi.]]>
Copyrights © 2026
