Irawan Sugiarto, Muhammad Fauzan (2025) Prediksi harga saham bank syariah dengan menggunakan algoritma Long Short-Term Memory (LSTM). Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text (COVER)
Cover.pdf Download (136kB) | Preview |
|
|
Text (ABSTRAK)
Abstrak.pdf Download (149kB) | Preview |
|
|
Text (SURAT PERNYATAAN)
Surat Pernyataan Karya Sendiri.pdf Download (4MB) | Preview |
|
|
Text (DAFTAR ISI)
Daftar Isi.pdf Download (356kB) | Preview |
|
|
Text (BAB I)
BAB I.pdf Download (1MB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (769kB) |
|
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (208kB) |
|
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (1MB) |
|
|
Text (BAB V)
BAB V.pdf Restricted to Registered users only Download (161kB) |
|
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf Restricted to Registered users only Download (179kB) |
|
|
Text (LAMPIRAN)
Lampiran (58).pdf Restricted to Repository staff only Download (200kB) |
Abstract
Saham merupakan salah satu instrumen investasi yang menawarkan potensi keuntungan dan risiko kerugian. Kesalahan dalam analisis dan prediksi sering kali menjadi penyebab kerugian bagi investor. Untuk mengatasi masalah tersebut, Artifical Intelligence (AI) dapat dimanfaatkan dalam proses analisis saham. Penelitian ini bertujuan untuk membangun model prediksi harga saham dengan menggunakan algoritma Long Short-Term Memory (LSTM), salah satu metode Deep Learning yang efektif untuk analisis data time series. Penelitian ini terfokus pada dua bank syariah di Indonesia, yaitu saham PT Bank Syariah Indonesia Tbk (BRIS). Data yang digunakan dalam penelitian ini meliputi data historis harga saham BRIS, variabel makro ekonomi seperti data inflasi Indonesia, suku bunga Bank Indonesia, dan nilai tukar rupiah terhadap dolar Amerika Serikat, serta data laporan keuangan perusahaan meliputi EPS (Earnings Per Share), PBV (Price to Book Value), dan ROE (Return On Equity). Model dikembangkan dengan skenario pembagian dataset 70:20:10 dan 80:10:10, serta diuji menggunakan metrik evaluasi MAE, RMSE, dan MAPE. Hasil penelitian menunjukkan model dengan skenario pembagian dataset 80:10:10 menghasilkan performa prediksi yang lebih baik dibandingkan 70:20:10. Model prediksi harga saham BRIS menunjukkan kinerja terbaik dengan nilai MAPE sebesar 1,48%, MAE sebesar 41,74, dan RMSE sebesar 65,43. Sementara itu, model prediksi harga saham BTPS menghasilkan nilai MAPE sebesar 8,20%, MAE sebesar 81,86, dan RMSE sebesar 103,86. Hasil ini membuktikan bahwa LSTM dapat digunakan secara efektif dalam memprediksi harga saham, terutama pada saham dengan pola harga yang fluktuatif seperti saham BRIS.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | Artificial Intelligence; BTPS; BRIS; Deep Learning; Long Short-Term Memory (LSTM); Prediksi Harga Saham; |
| Subjects: | Special Computer Methods > Artificial Intelligence Financial Economics, Finance > Capital Financial Economics, Finance > Banks Financial Economics, Finance > Investment Applied mathematics > Programming Mathematics Accounting > Financial Reporting |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | Mr Muhammad Fauzan Irawan |
| Date Deposited: | 28 Jul 2025 02:42 |
| Last Modified: | 31 Jul 2025 02:51 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/113499 |
Actions (login required)
 |
View Item |
