Implementasi dan Evaluasi Metode Recurrent Neural Network, Long Short-Term Memory, dan Echo State Network Pada Peramalan Harga Saham Multivariat (Studi Kasus Saham Apple) = Implementation and Evaluation of Recurrent Neural Network, Long Short-Term Memory, and Echo State Network Methods on Multivariate Stock Price Forecasting (Apple Stock Case Study)

MUH. FAJAR. Implementasi dan Evaluasi Metode Recurrent Neural Network, Long Short-Term Memory, dan Echo State Network Pada Peramalan Harga Saham Multivariat (Studi Kasus Saham Apple) (dibimbing oleh Khaeruddin) Latar belakang. Saham merupakan instrumen investasi yang sangat diminati karena potensi keuntungannya cukup menarik. Saham Apple yang terdaftar dalam Nasdaq-100(NDX) dengan simbol ticker AAPL, adalah pilihan populer dikalangan investor karena kinerja keuangannya yang impresif. Namun, pergerakan harga saham Apple yang fluktuatif dapat menimbulkan keuntungan atau kerugian bagi investor. Tujuan. Penelitian ini bertujuan untuk meramalkan harga saham Apple dengan mengimplementasikan model RNN (Recurrent Neural Network), LSTM (Long Short-Term Memory), dan ESN (Echo State Network) kemudian mengevaluasi kinerja ketiga model tersebut. Metode. Data historis harga saham Apple selama 6 tahun dikumpulkan dan diproses menjadi data latih dan data uji. Data latih digunakan untuk melatih ketiga model tanpa dan dengan menerapkan GSCV (Grid Search Cross Validation). Data uji digunakan untuk melakukan peramalan harga saham dan mengevaluasi kinerja model. Hasil. Penerapan metode GSCV dapat meningkatkan kinerja ketiga model dan mengurangi risiko overfitting, namun mengakibatkan waktu komputasi menjadi lama. Terjadi peningkatan nilai R2 sebesar 0.96% pada RNN, 0.58% pada LSTM, dan 0.08% pada ESN. Kesimpulan. Pada penelitian ini, model LSTM mengungguli kinerja model RNN dari segi akurasi, namun kalah dari segi waktu komputasi. Sedangkan model ESN mengungguli kinerja model RNN dan LSTM karena menghasilkan akurasi terbaik dengan waktu komputasi paling singkat.

Keyword : Saham; Apple; Peramalan; RNN; LSTM; ESN.