Akses terbuka Jurnal
Long Short-Term Memory and Gated Recurrent Unit Modeling for Stock Price Forecasting
Jurnal Matematika, Statistika dan Komputasi · Vol. 21 No. 1 (2024) · hlm. 321–333
- ISSN
- 2614-8811, 1858-1382
- Terbit
- 2024-09-15
- Penerbit
- Department of Mathematics, Hasanuddin University
- Bahasa
- en
Abstrak
Inggris
The rapid advancement of deep learning technology offers significant benefits, particularly for time series data forecasting. LSTM and GRU are two deep learning methods used for forecasting. This study aims to compare the LSTM and GRU methods in predicting the stock prices of PT Mayora Indah Tbk, listed on the Indonesia Stock Exchange (IDX), accessed through Yahoo Finance. The model architecture was developed using combinations of data splitting, learning rate, epoch count, and neuron count. The combinations used in this study include data splits of 70:30 and 80:20, with varying parameter combinations of learning rates at 0.01, 0.001, and 0.0001, epoch counts of 50, 100, and 150, and neuron counts of 50 and 100. The results indicate that the GRU method outperforms the LSTM method in prediction accuracy. The RMSE and MAPE tests show that the GRU method yields RMSE and MAPE of 34.4233 and 1.27%, respectively, compared to the LSTM method with RMSE and MAPE of 35.3775 and 1.28%. The best GRU architecture was achieved with a learning rate of 0.001, 50 neurons, and 150 epochs, while the best LSTM architecture was achieved with a learning rate of 0.001, 100 neurons, and 150 epochs. The optimal architecture for both methods was found with a data split of 70:30
Bahasa Indonesia
Perkembangan teknologi deep learning yang semakin pesat memberikan manfaat salah satunya untuk peramalan data time series. LSTM dan GRU adalah dua metode deep learning yang digunakan untuk peramalan. Penelitian ini bertujuan membandingkan metode LSTM dan GRU dalam memprediksi harga saham PT Mayora Indah Tbk yang terdaftar pada Bursa Efek Indonesia (BEI) yang diakses melalui website Yahoo Finance. Pembentukan arsitektur model menggunakan kombinasi pembagian data, jumlah learning rate, jumlah epoch, dan jumlah neuron. Kombinasi yang digunakan penelitian ini yaitu pembagian data 70:30 dan 80:20, kemudian variasi kombinasi parameter learning rate 0,01, 0,001, dan 0,0001, jumlah epoch 50, 100, 150 dan jumlah neuron 50 dan 100. Hasil penelitian menunjukkan bahwa metode GRU lebih baik dalam memprediksi dibandingkan dengan metode LSTM. Hasil pengujian RMSE dan MAPE menunjukkan pada metode GRU menghasilkan RMSE dan MAPE berturut-turut adalah 34,4233 dan 1,27% sedangkan metode LSTM 35,3775 dan 1,28%. Arsitektur terbaik metode GRU pada learning rate 0,001, 50 neuron, dan 150 epoch sedangkan metode LSTM dengan learning rate 0,001, 100 neuron, dan 150 epoch. Arsitektur terbaik dari kedua metode terdapat pada pembagian data 70:30.
Kata kunci
Jaringan kolaborasi para penulis
26 penulis · 42 tautan kepenulisan bersama
Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.
- State University of Semarang
- Organisasi berbeda
- Organisasi sama
- Afiliasi tidak diketahui
- Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
| Rekan penulis | Organisasi | Artikel bersama |
|---|---|---|
| Supriyono Supriyono | State University of Semarang | 2 |
| Dwijanto Dwijanto | State University of Semarang | 2 |
| Mashuri Mashuri | State University of Semarang | 2 |
| Alfian Adi Pratama | State University of Semarang | 1 |
| Ratna Nur Mustika Sanusi | State University of Semarang | 1 |
| Nur Achmey Selgi Harwanti | State University of Semarang | 1 |
| Muhammad Asikin | State University of Semarang | 1 |
| Ahmad Zaki Dzulfikar | State University of Semarang | 1 |
| Gallant Alim Purbowo | State University of Semarang | 1 |
| Mashuri | State University of Semarang | 1 |
| Inung. Pratidina | State University of Semarang | 1 |
| Amin Suyitno | State University of Semarang | 1 |
| Desti Anisa Zoraida | State University of Semarang | 1 |
| Sugiman Sugiman | State University of Semarang | 1 |
| Abid Khoirul Ismail | State University of Semarang | 1 |
| Edy Soedjoko | State University of Semarang | 1 |
| Kiswandi Kiswandi | State University of Semarang | 1 |
| Ratna Dewi Ambarwati | State University of Semarang | 1 |
| Desy Trya Hapsari | State University of Semarang | 1 |
| Pinta Dian Lestari | State University of Semarang | 1 |
| Erik Rahman | State University of Semarang | 1 |
| Nindy Dwi Nitoviani | State University of Semarang | 1 |
| Fradiska Muayana Zulfa | State University of Semarang | 1 |
| Laeli Utami | State University of Semarang | 1 |
Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.