Berlian, Linsay (2024) Implementasi algoritma deep learning Long Short Term Memory (LSTM) untuk prediksi harga saham berbasis website / Linsay Berlian</p>. Diploma thesis, Universitas Negeri Malang.
Full text not available from this repository.Abstract
p Semakin berkembangnya pasar saham Indonesia membuat investor mencari peluang dan mengelola risiko untuk menghasilkan keuntungan dalam pasar yang dinamis. Penelitian ini bertujuan untuk membangun aplikasi web untuk prediksi harga saham menggunakan algoritma deep learning Long Short Term Memory (LSTM) yang dapat membantu investor dalam memprediksi harga saham dengan mempelajari pola dan tren dalam data penutupan harga saham. Sistem pengembangan aplikasi menggunakan kerangka Waterfall dan framework Flask. Penelitian ini menggunakan metode black box testing untuk menguji sistem aplikasi dan semua hasil pengujian sesuai dengan yang diharapkan. Algoritma LSTM dilatih dengan dataset harga saham penutupan dari lima emiten yang bersumber dari yahoo finance. Untuk mengevaluasi kinerja model data dibagi menjadi data pelatihan dan pengujian. Pengujian dilakukan dengan variasi parameter layers epoch dan time step untuk mendapatkan model terbaik pada setiap emiten. Hasil eksperimen menunjukkan bahwa algoritma LSTM mampu memprediksi harga saham dengan tingkat akurasi yang akurat. Nilai Mean Absolute Percentage Error (MAPE) untuk kelima emiten menunjukkan hasil yang baik yaitu PT Aneka Tambang Tbk memperoleh nilai MAPE sebesar 2 6% PT Kalbe Farma Tbk memperoleh nilai MAPE sebesar 3 6% PT Indofood Sukses Makmur Tbk memperoleh nilai MAPE sebesar 4 8% PT Erajaya Swasembada Tbk memperoleh nilai MAPE sebesar 4 6% dan PT Telekomunikasi Indonesia Tbk memperoleh nilai MAPE sebesar 4 7%. /p
| Item Type: | Thesis (Diploma) |
|---|---|
| Divisions: | Fakultas Matematika dan IPA (FMIPA) > Departemen Matematika (MAT) > S1 Matematika |
| Depositing User: | library UM |
| Date Deposited: | 15 May 2024 04:29 |
| Last Modified: | 09 Sep 2024 03:00 |
| URI: | http://repository.um.ac.id/id/eprint/362645 |
Actions (login required)
 |
View Item |