Prediksi harga saham Bank Syariah Indonesia menggunakan metode long short-term memory

INDONESIA:

Saham merupakan salah satu efek yang banyak diminati masyarakat sebagai sumber pendapatan pasif. Namun, karena sifat harga saham yang fluktuatif bahkan dalam waktu yang singkat, maka prediksi harga saham memiliki peran penting dalam memaksimalkan potensi keuntungan investasi. Penelitian ini bertujuan untuk memprediksi harga penutupan saham BSI dan memprediksi arah pergerakan harga tersebut menggunakan metode Long Short-Term Memory untuk memberikan referensi bagi para calon investor. Data yang digunakan dalam penelitian ini adalah data harga saham BSI sebanyak 734 baris data. Penelitian ini menggunakan 8 model yang masing-masing diuji coba dengan tiga skenario pembagian data. Hasil yang didapatkan dalam penelitian ini adalah kombinasi parameter terbaik dengan parameter 32 unit LSTM, 25 neuron dense, batch size 32, dan 1000 epoch, menggunakan rasio data 70:30, menghasilkan RMSE sebesar 36,91 dan MAPE 1,50%. Model ini juga mampu memprediksi arah pergerakan saham dengan akurasi rata-rata 46,79%. Kesimpulan berdasarkan hasil yang diperoleh dari penelitian ini adalah kombinasi parameter dan rasio pembagian data memainkan peran signifikan dalam menentukan performa model LSTM untuk prediksi harga saham, di samping itu penelitian ini juga dapat menyimpulkan bahwa metode LSTM dapat menangani masalah prediksi harga saham khususnya untuk harga saham BSI.

ENGLISH:

Stocks are one of the most popular securities as a source of passive income. However, due to the volatile nature of stock prices even in a short time, stock price prediction has an important role in maximizing potential investment returns. This study aims to predict the closing price of BSI shares and predict the direction of the price movement using the Long Short-Term Memory method to provide a reference for potential investors. The data used in this study are BSI stock price data totaling 734 rows of data. This research uses 8 models, each of which is tested with three data sharing scenarios. The results obtained in this study are the best parameter combination with 32 LSTM units, 25 dense neurons, batch size 32, and 1000 epochs, using a data ratio of 70:30, resulting in an RMSE of 36.91 and a MAPE of 1.50%. This model is also able to predict the direction of stock movement with an average accuracy of 46.79%. The conclusion based on the results obtained from this research is that the combination of parameters and data division ratio plays a significant role in determining the performance of the LSTM model for stock price prediction, in addition this research can also conclude that the LSTM method can handle stock price prediction problems, especially for BSI stock prices.

ARABIC:

الأسهم هي واحدة من أكثر الأوراق المالية شيوعًا كمصدر للدخل السلبي. ومع ذلك، ونظرًا لطبيعة أسعار الأسهم المتقلبة حتى في وقت قصير، فإن التنبؤ بأسعار الأسهم له دور مهم في تعظيم عوائد الاستثمار المحتملة. تهدف هذه الدراسة إلى التنبؤ بسعر إغلاق سهم BSI والتنبؤ باتجاه حركة السعر باستخدام طريقة الذاكرة قصيرة الأجل طويلة الأجل لتوفير مرجع للمستثمرين المحتملين. البيانات المستخدمة في هذه الدراسة هي بيانات سعر سهم البنك السعودي للاستثمار بإجمالي 734 صفًا من البيانات. يستخدم هذا البحث 8 نماذج، تم اختبار كل منها مع ثلاثة سيناريوهات لمشاركة البيانات. النتائج التي تم الحصول عليها في هذه الدراسة هي أفضل مجموعة معلمات مع 32 LSTMs، و25 خلية عصبية كثيفة، وحجم الدفعة 32، و1000 حقبة باستخدام نسبة بيانات 70:30، مما أدى إلى معدل RMSE قدره 36.91 و MAPE قدره 1.50%. يمكن للنموذج أيضًا التنبؤ باتجاه حركة السهم بمتوسط دقة 46.79%. الاستنتاج الذي تم التوصل إليه بناءً على النتائج التي تم الحصول عليها من هذا البحث هو أن مجموعة المعلمات ونسبة تقسيم البيانات تلعب دورًا مهمًا في تحديد أداء نموذج LSTM للتنبؤ بأسعار الأسهم، بالإضافة إلى ذلك، يمكن لهذا البحث أيضًا أن يستنتج أن طريقة LSTM يمكنها التعامل مع مشكلات التنبؤ بأسعار الأسهم، خاصةً بالنسبة لأسعار أسهم BSI.