ALFIAN, Ahmad Novan (2025) Implementasi Metode Long Short-Term Memory Dalam Peramalan Harga Saham META. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. Cover.pdf Download (149kB)
	Text 3. Halaman Pengesahan 1.pdf Download (359kB)
	Text 4. Halaman Pengesahan 2.pdf Download (250kB)
	Text 5. Kata Pengantar.pdf Restricted to Repository staff only Download (201kB) | Request a copy
	Text 6. Abstrak.pdf Download (193kB)
	Text 7. Abstract.pdf Download (251kB)
	Text 8. Daftar Isi.pdf Download (199kB)
	Text 12. Bab 1 Pendahuluan.pdf Download (246kB)

Abstract

ABSTRAK
Pasar saham merupakan instrumen investasi yang semakin diminati di era digital. Periode 2020–2024 saham META tercatat fluktuasi tajam: penurunan drastis pada tahun 2022 akibat ketidakpastian ekonomi global dan perubahan strategi, lalu pulih
pada tahun 2023–2024 seiring pertumbuhan sektor teknologi dan adopsi kecerdasan buatan. Long Short-Term Memory (LSTM), varian dari Recurrent Neural Network (RNN) dipilih karena kemampuannya mengatasi vanishing gradient dan mempertahankan informasi jangka panjang melalui mekanisme gate. Penelitian ini bertujuan memprediksi harga penutupan harian saham META dengan data historis dari 2 Januari 2020 hingga 31 Desember 2024. Model LSTM dikembangkan
melalui optimasi hyperparameter yang meliputi jumlah unit LSTM, jumlah dense layer, timestep, batch size, learning rate, dan dropout rate. Evaluasi dilakukan menggunakan metrik Mean Absolute Percentage Error (MAPE). Hasil terbaik diperoleh dengan pembagian data training-testing 80%:20%, 128 unit LSTM, 1
dense layer, timestep 5, batch size 16, learning rate 0,001, dan dropout rate 0,1, menghasilkan MAPE 1,496%. Ini menunjukkan model LSTM yang optimal mampu menangkap pola volatilitas harga saham META.
Kata Kunci: Saham, META, Prediksi, Long Short-Term Memory, RNN, Hyperparameter

Actions (login required)

View Item