Aziz, Maulana Zulfikar (2026) Prediksi Indeks Harga Saham Gabungan (IHSG) Menggunakan LSTM dengan Pendekatan Explainable Artificial Intelligence Berdasarkan Indikator Teknikal. Undergraduate thesis, Universitas Diponegoro.

	Text File 1 Pendahuluan_Maulana Zulfikar Aziz_24010122120024 - Maulana Zulfikar Aziz.pdf Download (1MB)
	Text File 2 Isi_Maulana Zulfikar Aziz_24010122120024 - Maulana Zulfikar Aziz.pdf Restricted to Repository staff only Download (2MB) | Request a copy
	Text File 3 Daftar Pustaka_Maulana Zulfikar Aziz_24010122120024 - Maulana Zulfikar Aziz.pdf Download (1MB)

Abstract

Pergerakan Indeks Harga Saham Gabungan (IHSG) memiliki sifat volatilitas yang tinggi dan fluktuasi non-linier, sehingga membutuhkan pendekatan komputasi tingkat lanjut untuk peramalan deret waktu. Pada penelitian ini, diterapkan arsitektur Long Short-Term Memory (LSTM) untuk memprediksi harga penutupan IHSG, serta mengintegrasikan algoritma Deep SHAP untuk interpretasi dan reduksi fitur prediktor. Hasil pengujian menunjukkan model LSTM berkinerja sangat baik dengan Root Mean Squared Error (RMSE) sebesar 93.0368, Koefisien Determinasi sebesar 0.9822, dan Mean Absolute Percentage Error (MAPE) sebesar 0.9573%. Analisis kontribusi Deep SHAP menemukan bahwa fitur harga historis (Close, HLC3, Low, dan High) mendominasi prediksi, menandakan kebergantungan model pada memori harga aktual jangka pendek dibandingkan indikator teknikal turunan. Eliminasi fitur prediktor yang kurang signifikan (PVT, PDIST, RVI, dan MFI) terbukti mampu menyederhanakan arsitektur model. Meskipun reduksi ini memicu sedikit peningkatan MAPE menjadi 0.9881%, model tetap mampu meredistribusi bobot dan mengonsolidasikan informasi dari fitur dominan yang tersisa tanpa penurunan performa yang berarti.

Actions (login required)

View Item