Perbandingan algoritma prophet dan lstm dalam sistem forecasting timeseries saham ihsg / Richard Altaf Hermawan</p>

Hermawan, Richard Altaf (2025) Perbandingan algoritma prophet dan lstm dalam sistem forecasting timeseries saham ihsg / Richard Altaf Hermawan</p>. Diploma thesis, Universitas Negeri Malang.

Full text not available from this repository.

Abstract

p Peramalan Indeks Harga Saham Gabungan (IHSG) merupakan tantangan signifikan mengingat karakteristik datanya yang non-linear volatil dan dipengaruhi oleh faktor musiman. Untuk menjawab tantangan ini sebuah penelitian komparatif dilakukan untuk membandingkan dua algoritma modern yang mewakili dua pendekatan berbeda. Model yang dibandingkan adalah Prophet sebuah model regresi yang dioptimalkan dengan hari libur dan LSTM dengan mekanisme attention sebagai representasi pendekatan deep learning untuk menangkap pola yang lebih kompleks. Penelitian ini menggunakan data historis harian IHSG dari 1 Januari 2010 hingga 31 Desember 2024. Model Prophet dikonfigurasi untuk menangkap tren musiman dan efek hari libur sementara model LSTM Attention dirancang untuk mempelajari pola kompleks dari sekuens data historis yang panjang. Kinerja kedua model dievaluasi menggunakan skema walk-forward validation dengan metrik evaluasi Root Mean Squared Error (RMSE) Mean Absolute Error (MAE) dan Directional Accuracy (DA). Hasil evaluasi menunjukkan bahwa model LSTM Attention terbukti unggul secara signifikan dalam akurasi prediksi nilai numerik dengan RMSE (530.49) dan MAE (379.91) yang jauh lebih rendah dibandingkan Prophet (RMSE 843.61 MAE 619.22). Sebaliknya model Prophet justru menunjukkan performa superior dalam memprediksi arah pergerakan pasar dengan akurasi arah mencapai 84.58% jauh mengungguli LSTM yang hanya 49.03%. Kesimpulannya tidak ada model tunggal yang absolut terbaik LSTM Attention lebih optimal untuk aplikasi yang membutuhkan presisi nilai harga sementara Prophet jauh lebih andal untuk tujuan strategis yang memerlukan sinyal arah pergerakan pasar. Oleh karena itu penelitian ini merekomendasikan pemilihan model berdasarkan tujuan spesifik pengguna dan menyarankan pengembangan model hibrida di masa depan untuk mengkombinasikan kekuatan dari kedua algoritma. /p

Item Type:	Thesis (Diploma)
Divisions:	Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika
Depositing User:	library UM
Date Deposited:	23 Oct 2025 04:29
Last Modified:	09 Sep 2025 03:00
URI:	http://repository.um.ac.id/id/eprint/426190

Actions (login required)

View Item