Implementasi long short term memory pada optimalisasi prediksi harga saham menggunakan parameter analisis teknikal

INDONESIA:

Long Short Term Memory merupakan sistem yang dapat memproses, memprediksi, dan mengklasifikasi informasi yang disimpan dalam jangka waktu yang lama. Model ini merupakan salah satu yang paling populer dari model pengembangan RNN yang lain. Penelitian ini bertujuan untuk mengetahui desain sistem dan tingkat efisiensi LSTM dalam memprediksi harga saham dengan menggunakan parameter analisis teknikal. Data saham yang digunakan merupakan saham PT Erajaya Swasembada Tbk (ERAA) dari bulan Desember 2011 hingga Desember 2021 sebanyak 17.486 data dimana terdapat 7 fitur yang masing-masing terdapat 2498 data time series, yaitu High, Low, Open, Close, Volume, Average, dan RSI. Parameter yang digunakan dalam membentuk model LSTM di antaranya hidden layer, neuron hidden, batch size, max epoch, optimizer, dan fungsi aktivasi. Model yang terbentuk menggunakan parameter terbaik yang meliputi hidden layer sebanyak 4, neuron hidden sebanyak 50, batch size sebanyak 4, max epoch sebanyak 100, optimizer adam dan fungsi aktivasi menggunakan tanh dan sigmoid, dengan nilai error yang didapatkan menggunakan RMSE sebesar 12,07 dan MAPE sebesar 1,86%

ENGLISH:

Long Short Term Memory is a system that can process, predict, and classify information that is stored for a long time. This model is one of the most popular of the other RNN development models. This study aims to determine the system design and efficiency of LSTM in predicting stock prices using technical analysis parameters. The stock data used are stock of PT Erajaya Swasembada Tbk (ERAA) from December 2011 to December 2021 as many as 17,486 data, where there are 7 features, each of feature has 2498 time series data, namely High, Low, Open, Close, Volume, Average, and RSI. The parameters used in forming the LSTM model include hidden layers, hidden neurons, batch size, max epoch, optimizer, and activation function. The model formed uses the best parameters which include 4 hidden layers, 50 hidden neurons, 4 batch sizes, 100 max epochs, optimizer adam and activation functions using tanh and sigmoid, with an error value obtained using RMSE is 12,07 and MAPE is 1,86%.

ARABIC:

ذاكرة قصيرة المدى (Long Short Term Memory)هي نظام يمكنه معالجة المعلومات المخزنة لفترة طويلة والتنبؤ بها وتصنيفها. هذا النموذج هو أحد أشهر نماذج تطوير RNN الأخرى. تهدف هذه الدراسة إلى تحديد تصميم نظام LSTM وكفاءته في التنبؤ بأسعار الأسهم باستخدام بارامترات التحليل الفني. بيانات المخزون المستخدمة هي مخزون من (PT.Erajaya Swasembada Tbk) (ERAA) من ديسمبر 2011 إلى ديسمبر 2021 ما يصل إلى 17486 بيانات، حيث توجد 7 ميزات، تحتوي كل ميزة على 2498 بيانات متسلسلة زمنية، وهي عالية، منخفضة، مفتوحة، إغلاق، حجم، متوسط، RSI. تشمل المعلمات المستخدمة في تشكيل نموذج LSTM الطبقات المخفية والخلايا العصبية المخفية وحجم الدفعة والحقبة القصوى والمحسن ووظيفة التنشيط. يستخدم النموذج الذي تم تشكيله أفضل المعلمات التي تشمل 4 طبقات مخفية، و 50 خلية عصبية مخفية، و 4 أحجام دفعة، و 100 حقبة كحد أقصى، ووظائف آدم المحسن والتنشيط باستخدام التان والسينجمويد(sigmoid) ، مع قيمة خطأ تم الحصول عليها باستخدام RMSE هي12,07 و MAPE هي .1,86%