Tesis
Prediksi Harga Indeks Saham Kompas 100 dengan Model Long Short-Term Memory dan Convolutional Neutral Network
Forecasting Stock Prices in the Kompas 100 Index Using Long Short-Term Memory and Convolutional Neutral Network Models
Pengarang:
Ammar Iskandar Zulkarnain - ; Maria Ulpah (Pembimbing/Promotor) - ; Willem A. Makaliwe (Penguji) - ; Zuliani Dalimunthe (Penguji) -
Deskripsi
Prediksi harga saham menjadi topik penting dalam dunia keuangan karena potensinya dalam mendukung pengambilan keputusan investasi yang lebih akurat dan berbasis data. Penelitian ini bertujuan untuk membandingkan kinerja model Long Short-Term Memory (LSTM) dan Convolutional Neural Network (CNN) dalam memprediksi harga saham-saham yang tergabung dalam indeks Kompas 100 di Bursa Efek Indonesia. Data yang digunakan mencakup harga penutupan harian dari 100 emiten selama periode Januari 2019 hingga Desember 2024. Proses pelatihan model dilakukan menggunakan tiga skenario pembagian data (90:10, 80:20, dan 70:30) dengan metode time-series split. Evaluasi kinerja model dilakukan menggunakan metrik Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model LSTM menghasilkan rata-rata MAPE sebesar ±1,84% dengan tingkat akurasi sangat tinggi, di mana 90% saham berada dalam kategori Highly Accurate Forecasting. Sebaliknya, model CNN menghasilkan rata-rata MAPE sebesar ±2,17% dengan 58% saham dalam kategori yang sama. Temuan ini tidak hanya memberikan kontribusi praktis dalam pengembangan strategi investasi berbasis kecerdasan buatan, tetapi juga menantang asumsi teori Random Walk dan hipotesis pasar efisien bentuk lemah dalam konteks pasar modal Indonesia.