<![CDATA[Prediksi harga saham merupakan salah satu pendekatan yang digunakan untuk mempelajari pola pergerakan harga berdasarkan data historis. Karakteristik data saham yang bersifat time-series dan fluktuatif menuntut penggunaan metode yang mampu menangkap pola temporal secara efektif. Penelitian ini bertujuan menganalisis kinerja model Convolutional Neural Network–Long Short-Term Memory (CNN-LSTM) dalam memprediksi harga saham PT Digital Mediatama Maxima Tbk (DMMX), serta mengevaluasi pengaruh frekuensi data historis, panjang lookback, dan jumlah fitur terhadap kinerja model. Data yang digunakan berupa data historis saham DMMX dengan skenario data harian, mingguan, dan bulanan menggunakan fitur univariate dan multivariate (OHLCV). Tahapan penelitian meliputi preprocessing, pembentukan data menggunakan sliding window, pelatihan model CNN-LSTM, dan evaluasi menggunakan Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), serta Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa konfigurasi dengan nilai eror terendah diperoleh pada penggunaan data harian, lookback 2 bulan, dan fitur multivariate, dengan nilai RMSE sebesar 135,43, MAE sebesar 97,66, dan MAPE sebesar 3,09%. Selain itu, frekuensi data historis, panjang lookback, dan jumlah fitur terbukti memengaruhi kinerja model. Temuan ini menunjukkan bahwa pemilihan konfigurasi model yang sesuai dengan karakteristik data historis berperan penting dalam meningkatkan akurasi prediksi harga saham.]]>
Copyrights © 2026
