Penerapan long short term memory pada harga adjusted close Kimia Farma Tbk

INDONESIA

Long Short-Term Memory (LSTM) adalah arsitektur berbasis pembelajaran mesin yang digunakan dalam memprediksi harga Adjusted Close saham PT Kimia Farma Tbk. LSTM dipilih karen a kemampuannya dalam menangani data deret waktu serta mengatasi masalah long-term dependency dan vanishing gradient yang terdapat pada RNN. Metode penelitian dimulai dari tahapan preprocessing data, standarisasi menggunakan teknik Min-Max Scaling, pembentukan data sekuensial, pembagian data latih dan data uji dengan perbandingan 80:20, serta pembangunan model LSTM dengan berbagai variasi jumlah epoch (10 hingga 100). Evaluasi akurasi dilakukan menggunakan dua metrik utama, yaitu Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil menunjukkan bahwa model LSTM mampu memprediksi harga saham dengan baik, dengan nilai terbaik dicapai pada epoch ke-70, yaitu RMSE sebesar 26,532 dan MAPE sebesar 4,8%. Temuan ini menunjukkan pentingnya pemilihan jumlah epoch yang tepat dalam proses pelatihan model, agar mampu mencapai keseimbangan antara akurasi dan kompleksitas model, sekaligus menghindari risiko overfitting yang dapat mengurangi generalisasi terhadap data baru. Secara keseluruhan, penerapan LSTM pada studi ini membuktikan efektivitasnya dalam memprediksi fluktuasi harga saham, serta memberikan kontribusi dalam pengembangan metode prediktif berbasis data historis di bidang keuangan.

ENGLISH

Long Short-Term Memory (LSTM) is a machine learning-based architecture used to predict the Adjusted Close stock prices of PT Kimia Farma Tbk. LSTM was chosen due to its capability in handling time series data and overcoming issues such as long-term dependency and vanishing gradients commonly found in Recurrent Neural Networks (RNN). The research methodology includes several stages, starting with data preprocessing, standardization using the Min-Max Scaling technique, sequential data formation, data splitting into training and testing sets with a ratio of 80:20, and building the LSTM model with various epoch settings ranging from 10 to 100. Accuracy evaluation was conducted using two main metrics: Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE). The results showed that the LSTM model could predict stock prices effectively, with the best performance achieved at the 70th epoch, yielding an RMSE of 26,532 and a MAPE of 4,8%These findings highlight the importance of selecting an appropriate number of epochs during model training to maintain a balance between accuracy and model complexity while avoiding overfitting, which can reduce generalization to new data. Overall, the application of LSTM in this study demonstrates its effectiveness in forecasting stock price fluctuations and contributes to the development of predictive methods based on historical data in the financial sector.

ARABIC

كيميا فارما (PT Kimia Farma Tbk). تم اختيار LSTM لقدرتها على التعامل مع بيانات السلاسل الزمنية ومعالجة مشكلات الاعتماد طويل المدى وتلاشي التدرج التي توجد في الشبكات العصبية المتكررة (RNN). تبدأ منهجية البحث من مرحلة ما قبل المعالجة للبيانات، والمعيار باستخدام تقنية مقياس Min-Max، وتشكيل البيانات التسلسلية، وتقسيم البيانات إلى بيانات تدريب وبيانات اختبار بنسبة ٨٠:٢٠، وبناء نموذج LSTM مع اختلاف عدد الحقب (من ١٠ إلى ١٠٠). يتم تقييم الدقة باستخدام مقياسين رئيسيين، وهما متوسط الجذر التربيعي للخطأ (RMSE) ومتوسط نسبة الخطأ المطلق (MAPE). أظهرت النتائج أن نموذج LSTM قادر على التنبؤ بسعر السهم بشكل جيد، حيث تم الوصول إلى أفضل القيم في الحقبة رقم ٧٠، هي RMSE بقيمة ٢٧.٥٨٥ و MAPE بنسبة ٢،٦٧%. وتُظهر هذه النتائج أهمية اختيار عدد الحقب المناسب في عملية تدريب النموذج، لتحقيق التوازن بين الدقة وتعقيد النموذج، وتجنب خطر الإفراط في التكيف (overfitting) الذي يمكن أن يقلل من التعميم للبيانات الجديدة. بشكل عام، يثبت تطبيق LSTM في هذه الدراسة فعاليته في التنبؤ بتقلبات أسعار الأسهم، كما يساهم في تطوير أساليب تنبؤية تعتمد على البيانات التاريخية في المجال المالي