ANALISIS PERBANDINGAN MODEL ARIMA DAN LSTM DALAM PERAMALAN HARGA PENUTUPAN SAHAM (STUDI KASUS : 6 KRITERIA KATEGORI SAHAM MENURUT PETER LYNCH)
Main Article Content
Agus Dwi Milniadi
Nelly Oktavia Adiwijaya
Instrumen investasi yang banyak diminati di Indonesia adalah Investasi Saham. Investasi saham memiliki risiko yang tinggi dikarenakan saham bersifat fluktuatif. Untuk mengurangi risiko dalam investasi saham diperlukan analisis sebelum pembelian saham. ARIMA dan LSTM adalah model statistik dan machine learning yang sering digunakan untuk menganalisis jenis analisa keuangan. ARIMA lebih sederhana dan mudah dipahami, namun kurang dapat mengatasi pola yang kompleks dan sulit diprediksi, LSTM lebih kompleks dan memerlukan data yang lebih banyak, namun mampu mengatasi pola yang kompleks dan sulit diprediksi dengan lebih baik. Untuk mendapatkan model terbaik dari kedua model perlu adanya perbandingan untuk mendapatkan model terbaik antara ARIMA dan LSTM untuk meramalkan harga saham. Peramalan menggunakan kedua model tersebut menggunakan objek 6 kriteria kategori saham untuk merepresentasikan pola data saham yang bermacam macam. Penelitian ini akan mencari nilai RMSE, MAPE dan waktu peramalan, kemudian dibandingkan dengan nilai rata-rata terbaik. Hasil dari penelitian ini ARIMA mendapatkan nilai terbaik dengan rata-rata RMSE 198,62, MAPE 1,79% dan waktu 26,50 detik dan LSTM mendapatkan nilai terbaik dengan rata-rata RMSE 217,92, MAPE 2,43% dan waktu 431,97 detik sehingga model ARIMA lebih unggul dari LSTM dari nilai rata-rata RMSE, MAPE dan waktu peramalan.
Achelis, S. B. (2001). Technical analysis from A to Z. McGraw Hill.
Ashari, M. L., & Sadikin, M. (2020). PREDIKSI DATA TRANSAKSI PENJUALAN TIME SERIES MENGGUNAKAN REGRESI LSTM. Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI, 9(1), 1–10. https://doi.org/10.23887/JANAPATI.V9I1.19140
Fachroji, F. (2020). ANALISIS TEKNIKAL PERGERAKAN HARGA SAHAM INDIVIDUAL KONSTRUKSI BUMN YANG TERDAFTAR PADA INDEKS LQ45 (Studi pada Saham Konstruksi BUMN dalam Indeks LQ45). Diambil dari http://repository.iti.ac.id/jspui/handle/123456789/156
Fauziah, N. D. (2014). PENERAPAN TIME SERIES METODE BOX JENKINS TERHADAP PROFITABILITAS PEMBIAYAAN MURABAHAH DI BANK SYARIAH MANDIRI (UIN Sunan Ampel Surabaya). UIN Sunan Ampel Surabaya, Surabaya. Diambil dari http://digilib.uinsby.ac.id/1755/
Hutasuhut, A. H. (Amira), Anggraeni, W. (Wiwik), & Tyasnurita, R. (Raras). (2014). Pembuatan Aplikasi Pendukung Keputusan Untuk Peramalan Persediaan Bahan Baku Produksi Plastik Blowing Dan Inject Menggunakan Metode ARIMA (Autoregressive Integrated Moving Average) Di CV. Asia. Jurnal Teknik ITS, 3(2), 162012. https://doi.org/10.12962/J23373539.V3I2.8114
Liu, R., Jiang, Y., & Lin, J. (2022). Forecasting the Volatility of Specific Risk for Stocks with LSTM. Procedia Computer Science, 202, 111–114. Elsevier B.V. https://doi.org/10.1016/j.procs.2022.04.015
Lynch, P. (2000). One Up on Wall Street. Diambil dari www.simonsays.com
Nazir, Moh. (2005). Metode penelitian. Ghalia Indonesia.
Pankratz, A. (1983). Forecasting With Univariate Box- Jenkins Models CONCEPTS AND CASES. John Wily & Sons. Inc.
Susanti, R., & Adji, A. R. (2020). ANALYSIS OF INDONESIA COMPOSITE INDEX (IHSG) FORECASTING WITH ARIMA TIME SERIES MODELING. Journal Manajemen Kewirausahaan, 17(01), 97–106.
Wang, J., Cui, Q., Sun, X., & He, M. (2022). Asian stock markets closing index forecast based on secondary decomposition, multi-factor analysis and attention-based LSTM model. Engineering Applications of Artificial Intelligence, 113. https://doi.org/10.1016/j.engappai.2022.104908
Wibowo, G. A. (2011). ANALISIS STASIONERITAS BETA DI BURSA EFEK INDONESIA TAHUN 2004 - 2008 (Universitas Atma Jaya Yogyakarta). Universitas Atma Jaya Yogyakarta, Yogyakarta. Diambil dari http://e-journal.uajy.ac.id/1318/
