Melola Discovery

← Melola Discovery

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

DOI
10.20956/j.v21i1.35930
ISSN
2614-8811, 1858-1382
Terbit
2024-09-15
Penerbit
Department of Mathematics, Hasanuddin University
Bahasa
en
Lisensi
creativecommons.org/licenses/by/4.0

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 penulisOrganisasiArtikel bersama
Supriyono SupriyonoState University of Semarang2
Dwijanto DwijantoState University of Semarang2
Mashuri MashuriState University of Semarang2
Alfian Adi PratamaState University of Semarang1
Ratna Nur Mustika SanusiState University of Semarang1
Nur Achmey Selgi HarwantiState University of Semarang1
Muhammad AsikinState University of Semarang1
Ahmad Zaki DzulfikarState University of Semarang1
Gallant Alim PurbowoState University of Semarang1
MashuriState University of Semarang1
Inung. PratidinaState University of Semarang1
Amin SuyitnoState University of Semarang1
Desti Anisa ZoraidaState University of Semarang1
Sugiman SugimanState University of Semarang1
Abid Khoirul IsmailState University of Semarang1
Edy SoedjokoState University of Semarang1
Kiswandi KiswandiState University of Semarang1
Ratna Dewi AmbarwatiState University of Semarang1
Desy Trya HapsariState University of Semarang1
Pinta Dian LestariState University of Semarang1
Erik RahmanState University of Semarang1
Nindy Dwi NitovianiState University of Semarang1
Fradiska Muayana ZulfaState University of Semarang1
Laeli UtamiState University of Semarang1

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.

Sumber metadata: OAI-PMH (metadata jurnal) https://journal.unhas.ac.id/index.php/jmsk/oai, pertama di-harvest 5 Nov 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en">Long Short-Term Memory and Gated Recurrent Unit Modeling for Stock Price Forecasting</dc:title>
	<dc:creator xml:lang="en">Khairunisa, Nurul Khairunisa</dc:creator>
	<dc:creator xml:lang="en">Hendikawati, Putriaji </dc:creator>
	<dc:subject xml:lang="en">stocks</dc:subject>
	<dc:subject xml:lang="en">LSTM</dc:subject>
	<dc:subject xml:lang="en">GRU</dc:subject>
	<dc:subject xml:lang="en">RMSE</dc:subject>
	<dc:subject xml:lang="en">MAPE</dc:subject>
	<dc:description xml:lang="en">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</dc:description>
	<dc:description xml:lang="id">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&amp;nbsp; 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.</dc:description>
	<dc:publisher xml:lang="en">Department of Mathematics, Hasanuddin University</dc:publisher>
	<dc:date>2024-09-15</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.unhas.ac.id/index.php/jmsk/article/view/35930</dc:identifier>
	<dc:identifier>10.20956/j.v21i1.35930</dc:identifier>
	<dc:source xml:lang="en">Jurnal Matematika, Statistika dan Komputasi; Vol. 21 No. 1 (2024): SEPTEMBER 2024; 321-333</dc:source>
	<dc:source>2614-8811</dc:source>
	<dc:source>1858-1382</dc:source>
	<dc:language>en</dc:language>
	<dc:relation>https://journal.unhas.ac.id/index.php/jmsk/article/view/35930/12017</dc:relation>
	<dc:relation>10.20956/j.v21i1.35930.g12017</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2024 Jurnal Matematika, Statistika dan Komputasi</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by/4.0</dc:rights>
</oai_dc:dc>