Analisis Penerapan Data mining dengan Algoritma Deep Learning untuk Prediksi Harga Saham di Sektor Pertanian BEI: Studi Perbandingan LSTM, BiLSTM, GRU, dan BiGRU

Penelitian ini bertujuan menganalisis performa algoritma deep learning dalam memprediksi harga saham sektor pertanian di Bursa Efek Indonesia (BEI) dengan membandingkan empat model: Long Short-Term Memory (LSTM), Bidirectional LSTM (BiLSTM), Gated Recurrent Unit (GRU), dan Bidirectional GRU (BiGRU). Data historis harian enam emiten saham pertanian (AALI, BISI, DSNG, LSIP, SIMP, SSMS) periode 2017–2025 digunakan sebagai data set. Metode penelitian mencakup pra-pemrosesan data (normalisasi, pembagian data latih-uji 80:20), pelatihan model Mean dengan hyperparameter optimal (unit=512, dropout rate=0.3, epochs=50–150, learning rate=0.0001), serta evaluasi menggunakan metrik Root Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), R² Score, dan waktu komputasi. Hasil menunjukkan BiGRU merupakan model terakurat dengan RMSE terendah (7.43–17.20) dan R² tertinggi (0.99 pada BISI dan SSMS), berkat arsitektur Bidirectional yang memproses data dua arah untuk menangkap pola temporal kompleks. Namun, GRU lebih efisien dengan waktu pelatihan 40–43 detik, cocok untuk aplikasi real-time. LSTM dan BiLSTM memiliki akurasi lebih rendah, terutama pada saham volatil seperti DSNG (RMSE LSTM=130.51). Penelitian ini memberikan rekomendasi praktis: BiGRU untuk strategi investasi jangka panjang yang mengutamakan akurasi, sedangkan GRU untuk keputusan cepat berbasis efisiensi. Implikasi teoritisnya memperkuat efektivitas arsitektur Bidirectional dalam analisis deret waktu keuangan.