NURAZIZAH, - (2026) PREDIKSI SAHAM MENGGUNAKAN LONG SHORT TERM MEMORY (LSTM) DAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA). Skripsi thesis, UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU.

Preview	Text (BAB GABUNGAN) FULL FILE (Tanpa BAB 4) - Salira 1029.pdf - Published Version Download (1MB) | Preview
	Text (BAB HASIL) FILE BAB HASIL (BAB 4) - Salira 1029.pdf - Published Version Restricted to Repository staff only Download (1MB)
Preview	Text (PERNYATAAN PUBLIKASI) Surat Pernyataan 2 - Salira 1029.pdf - Published Version Download (351kB) | Preview

Abstract

Prediksi harga saham merupakan aspek krusial dalam pengambilan keputusan investasi, namun fluktuasi harga yang tinggi menjadi tantangan bagi investor. Penelitian ini bertujuan mengim- plementasikan dan membandingkan kinerja model Long Short Term Memory (LSTM) dan Autoregressive Integrated Moving Average (ARIMA) untuk prediksi harga saham PT Bank Rakyat Indonesia Tbk. Penelitian menggunakan 1.383 observasi data historis periode Januari 2020 hingga September 2025 dari Yahoo Finance dengan framework CRISP-DM. Model LSTM menggunakan arsitektur dua layer dengan 100 units, sedangkan ARIMA menggunakan parameter optimal (1,2,5) yang diperoleh melalui auto_ARIMA. Hasil evaluasi pada data testing menunjukkan ARIMA unggul dengan akurasi 98.43% (MSE: 7632.19, MAPE: 1.57%) dibanding LSTM 98.25% (MSE: 8231.25, MAPE: 1.75%). Validasi backtesting dengan data aktual 10 hari pertama Oktober 2025 mengkonfirmasi superioritas ARIMA dengan akurasi 94.18% versus LSTM 88.53%. Prediksi 30 hari untuk periode Oktober-November 2025 menunjukkan LSTM menghasilkan pola volatil cocok untuk trading aktif, sementara ARIMA lebih konservatif sesuai untuk investasi jangka menengah. Penelitian membuktikan model statistik tradisional ARIMA tetap kompetitif dengan deep learning pada dataset saham perbankan stabil, memberikan kontribusi praktis berupa framework pemilihan model sesuai profil risiko dan horizon investasi.

Actions (login required)

View Item