PREDIKSI HARGA SAHAM MENGGUNAKAN RECURRENT NEURAL NETWORK (RNN)

ALFIN, FIRHAN (2026) PREDIKSI HARGA SAHAM MENGGUNAKAN RECURRENT NEURAL NETWORK (RNN). Sarjana thesis, Universitas Pasir Pengaraian.

	Text COVER.pdf Download (1MB)
	Text BAB 1 2 3.pdf Download (359kB)
	Text BAB 4 5.pdf Restricted to Repository staff only Download (692kB) | Request a copy

Abstract

Pasar saham memiliki tingkat volatilitas yang tinggi sehingga menyulitkan investor dalam mengambil keputusan investasi secara tepat. Prediksi harga saham menjadi salah satu pendekatan yang dapat digunakan untuk meminimalkan risiko dan membantu perencanaan strategi investasi. Penelitian ini bertujuan untuk merancang dan mengimplementasikan model Recurrent Neural Network (RNN) berbasis Deep Learning dalam memprediksi harga saham. Data yang digunakan merupakan data historis harga saham PT Bukit Asam Tbk (PTBA.JK) yang bersifat deret waktu (time series) dengan fokus pada harga penutupan (closing price). Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan data seperti data cleaning, normalisasi menggunakan metode Min-Max Scaling, serta pembentukan sequence time steps sebagai input model. Model kemudian dilatih menggunakan training data dan diuji menggunakan testing data. Evaluasi kinerja model dilakukan menggunakan metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model RNN mampu mempelajari pola temporal pada data historis dan menghasilkan prediksi harga penutupan dengan tingkat kesalahan yang relatif rendah.

Item Type:	Thesis (Sarjana)
Uncontrolled Keywords:	Deep Learning, Pasar Saham, Prediksi Harga Saham, Recurrent Neural Network, , Time Series,
Subjects:	Dewey decimal Classification Subject Areas > 000 Karya Umum > 000-009 Ilmu Umum dan Komputer
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Pustaka - -
Date Deposited:	11 Sep 2026 02:58
Last Modified:	11 Sep 2026 02:58
URI:	http://repository.upp.ac.id/id/eprint/4713

Actions (login required)

View Item