• Kode Repository : SKI 73 /DEW/21
• NPM : 065117146
• Nama : Dewi Fortuna
• Pembimbing 1 : -Dr. Prihastuti Harsani, M.Si
• Pembimbing 2 : -Erniyati, S.Kom., M.Kom
• Abstrak : -Dewi Fortuna 065117146. Prediksi Prospek Harga Saham Dan Volume Perdagangan Pada Bank Central Asia (BCA) Menggunakan Long Short Term Memory (LSTM)”. Dibawah Bimbingan Dr. Prihastuti Harsan, M. Si dan Erniyati, M.Kom. Kemunculan virus SARS-CoV-2 yang menyebar sangat cepat sangat berdampak pada keadaan ekonomi di Indonesia. Akibat Pandemi angka pengangguran diperkirakan bertambah 3 sampai 5 persen. Hal ini mengakibatkan banyak orang yang hanya diam dirumah saja, sehingga banyak yang tertarik dengan mencari uang di bidang perdagangan saham. Salah satu saham yang paling diminati yaitu saham Bank Central Asia, karena Bank swasta terbesar ini adalah salah satu saham yang cepat naik dan sulit turun, sehingga banyak diminati oleh para pemain saham pemula. Bank BCA tercatat sejak Maret 2020 lalu ketika pandemi baru mulai melanda Indonesia, harga saham BCA yaitu Rp. 26,475/lembar per tanggal 26 Maret 2020. Kini, meski Indonesia memasuki masa resesi, saham BCA tetap bertengger di urutan atas dengan Rp28,825/lembar per tanggal 19 Oktober 2020. Jadi bisa disimpulkan selama kurang lebih 7 bulan, saham BCA mengalami kenaikan sebesar Rp2,350. Prediksi dengan machine learning adalah salah satu cara bisa mendapatkan keputusan yang tepat. Penelitian ini berisikan tentang prediksi perdagangan harga saham Bank Central Asia yang dilakukan 17 periode yaitu dari 2004 sampai 2021 dengan menggunakan metode Long Short Term Memory (LSTM). Long Short Term Memory (LSTM) merupakan salah satu pengembangan neural network yang dapat digunakan untuk pemodelan data time series. LSTM mampu mengatasi ketergantungan jangka panjang (long term dependencies) pada masukannya. Data yang berhasil dihimpun sebanyak 4234 dan terdapat 7 kolom yaitu date, open, high, low, close, adj.close, dan volume. Data yang digunakan untuk prediksi adalah data open, high, low, close dan adj close. Data tersebut dipisah untuk proses data mining menjadi data latih, data tes, dan data validasi. Data yang digunakan untuk data latih adalah data dari periode 2004-06-09 hingga 2018-12-31 dengan jumlah data 3579 data. Kemudian untuk data validasi, data yang digunakan adalah data dari periode 2019-01-01 hingga 2020-12- 31 dengan jumlah data 492 data dan untuk data test data yang digunakan adalah data pada periode 2021-01-01 hingga 2021-09-01 dengan jumlah data 162 data. Kemudian pada proses data mining dan uji validasi digunakan model yang dibangun dengan menggunakan nilai epochs 25,9,20,24,52 dan 29 dan nilai layer 32,4,3,32,32 dan 16 memiliki nilai RMSE sebesar 0.051, 0.008, 0.136, 0.041, 0.047, 0.222. Kemudian dapat ditarik kesimpulan bahwa untuk model yang paling bagus terdapat pada percobaan kedua dengan jumlah epoch sebesar 9 dan jumlah layer 4 dengan nilai RMSE sebesar 0.008.
• Program Studi : Ilmu Komputer