Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 2

Prediksi Harga Saham Menggunakan Metode Long-Short Term Memory Studi Kasus: Saham Intel Corporation

Decode: Jurnal Pendidikan Teknologi Informasi · Vol. 5 No. 2 (2025) · hlm. 380–390

DOI
10.51454/decode.v5i2.1192
ISSN
2775-1813, 2775-2984
Terbit
2025-07-23
Penerbit
Universitas Muhammadiyah Kendari
Lisensi
creativecommons.org/licenses/by-sa/4.0/

Abstrak

Perkembangan dalam bidang teknologi kecerdasan buatan telah mendorong penerapan teknik deep learning dalam analisis pasar keuangan, khususnya dalam meramalkan harga saham. Penelitian ini bertujuan untuk membuat sebuah model yang bisa memperkirakan harga saham Intel Corporation menggunakan metode Long Short-Term Memory (LSTM) untuk mendukung pengambilan keputusan dalam investasi. Metode yang dilakukan mencakup pengumpulan data historis dari Kaggle, preprocessing data (cleansing, scaling, dan membagi data untuk pelatihan dan pengujian), merancang model LSTM, dan melakukan evaluasi dengan menggunakan Root Mean Squared Error (RMSE). Model ini dilatih menggunakan 150 epoch dengan fungsi aktivasi tanh dan optimizer Adam. Hasil dari pengujian ini menunjukkan bahwa model LSTM mendapatkan nilai RMSE sebesar 0.0230 paling rendah, serta menunjukkan pola pergerakan harga yang sangat realistis. Hasil ini menunjukkan bahwa LSTM merupakan metode yang efisien untuk memodelkan data deret waktu dalam memprediksi harga saham, serta dapat berfungsi sebagai sumber informasi bagi investor dalam merancang strategi investasi yang didasarkan pada data.

Jaringan kolaborasi para penulis

2 penulis · 1 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Afiliasi tidak diketahui
  • 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

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.

Data ini berasal dari Crossref (yang disetorkan penerbit), karena endpoint OAI-PMH milik jurnal tidak dapat di-harvest.

Sumber metadata: Crossref API (cadangan, berdasarkan ISSN) https://api.crossref.org/journals/2775-1813/works, pertama di-harvest 26 Okt 2026, terakhir terlihat 15 Nov 2026.
Metadata sebagai oai_dc, dikonversi dari Crossref
<oai_dc:dc xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/"><dc:title>Prediksi Harga Saham Menggunakan Metode Long-Short Term Memory Studi Kasus: Saham Intel Corporation</dc:title><dc:creator>Winarni, Indah</dc:creator><dc:creator>Pratiwi, Nunik</dc:creator><dc:description>&lt;jats:p&gt;Perkembangan dalam bidang teknologi kecerdasan buatan telah mendorong penerapan teknik deep learning dalam analisis pasar keuangan, khususnya dalam meramalkan harga saham. Penelitian ini bertujuan untuk membuat sebuah model yang bisa memperkirakan harga saham Intel Corporation menggunakan metode Long Short-Term Memory (LSTM) untuk mendukung pengambilan keputusan dalam investasi. Metode yang dilakukan mencakup pengumpulan data historis dari Kaggle, preprocessing data (cleansing, scaling, dan membagi data untuk pelatihan dan pengujian), merancang model LSTM, dan melakukan evaluasi dengan menggunakan Root Mean Squared Error (RMSE). Model ini dilatih menggunakan 150 epoch dengan fungsi aktivasi tanh dan optimizer Adam. Hasil dari pengujian ini menunjukkan bahwa model LSTM mendapatkan nilai RMSE sebesar 0.0230 paling rendah, serta menunjukkan pola pergerakan harga yang sangat realistis. Hasil ini menunjukkan bahwa LSTM merupakan metode yang efisien untuk memodelkan data deret waktu dalam memprediksi harga saham, serta dapat berfungsi sebagai sumber informasi bagi investor dalam merancang strategi investasi yang didasarkan pada data.&lt;/jats:p&gt;</dc:description><dc:publisher>Universitas Muhammadiyah Kendari</dc:publisher><dc:date>2025-07-23</dc:date><dc:type>info:eu-repo/semantics/article</dc:type><dc:format>application/pdf</dc:format><dc:identifier>https://doi.org/10.51454/decode.v5i2.1192</dc:identifier><dc:identifier>10.51454/decode.v5i2.1192</dc:identifier><dc:source>Decode: Jurnal Pendidikan Teknologi Informasi; Vol 5 No 2 (2025); 380-390</dc:source><dc:source>2775-1813</dc:source><dc:source>2775-2984</dc:source><dc:relation>https://journal.umkendari.ac.id/decode/article/download/1192/564</dc:relation><dc:rights>https://creativecommons.org/licenses/by-sa/4.0/</dc:rights></oai_dc:dc>