Prediksi Return Saham Berdasarkan Data Histori dan Data Fundamental Menggunakan LSTM

subject Abstract

Prediksi harga saham merupakan tantangan signifikan dalam dunia keuangan karena sifat pasar yang dinamis dan kompleks. Penelitian ini bertujuan untuk memprediksi harga saham dengan menggunakan model Long Short-Term Memory (LSTM), yang efektif dalam menangkap pola sekuensial pada data historis dan fundamental. LSTM dipilih karena kemampuannya untuk memodelkan ketergantungan jangka panjang, yang penting dalam prediksi harga saham. Evaluasi dilakukan dengan membandingkan kinerja model LSTM pada data historis dan kombinasi data historis dengan data fundamental. Hasil penelitian menunjukkan bahwa meskipun model LSTM berhasil menangkap pola pada data training, model tersebut mengalami overfitting yang signifikan pada data testing. Penambahan data fundamental tidak secara signifikan meningkatkan akurasi prediksi pada fase testing. Kesimpulannya, meskipun LSTM membantu dalam menangkap pola kompleks dari data historis dan fundamental, penelitian ini menekankan pentingnya eksplorasi lebih lanjut terhadap metode lain untuk mengatasi overfitting dan meningkatkan kinerja prediksi saham pada data testing.

Keywords: LSTM, Data Fundamental, Analisis Saham, Prediksi Pasar

format_quoteCitationfile_copyCopy
Naufal Abdurrahman Burhani, Saepudin, D., & Didit Adytia. (2025). Prediksi Return Saham Berdasarkan Data Histori dan Data Fundamental Menggunakan LSTM. LOGIC: Jurnal Penelitian Informatika, 3(1). https://doi.org/10.25124/logic.v3i1.9236

license License

Authors who publish in this journal agree to the following rules:

  1. Authors retain copyright and give the journal the right of first publication, with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
  2. Authors may enter separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., posting it to an institutional repository or publishing it in a book), with attribution to the journal's initial publication.
  3. Authors are permitted and recommended to post their work online (such as in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges as well as earlier and greater citation of published work.

Downloads

Download data is not yet available.