skip to main content

Implementasi Reccurent Neural Network Untuk Memprediksi Harga Saham

Universitas Indonesia, Indonesia

Received: 4 Sep 2020; Revised: 16 Dec 2020; Accepted: 26 Feb 2021; Available online: 20 Apr 2021; Published: 30 Apr 2021.
Open Access Copyright (c) 2021 Jurnal Teknologi dan Sistem Komputer under http://creativecommons.org/licenses/by-sa/4.0.

Citation Format:
Abstract
Saham adalah instrumen investasi dengan harga yang sangat fluktuatif. Harga saham dalam kurun waktu tertentu membentuk suatu data runtun waktu. Saat ini, salah satu metode yang cukup populer untuk menangani data runtun adalah Recurrent Neural Network (RNN). Tulisan ini membahas penerapan RNN di masa yang akan datang dalam memprediksi harga saham berdasarkan data harga saham beberapa tahun ke belakang. Tetapi RNN standar memiliki kelemahan yaitu terjadinya kondisi vanishing gradient. Oleh karena itu, arsitektur Long Short Term Memory (LSTM) digunakan pada RNN untuk mengatasi masalah tersebut. Sebagai pembanding, ditampilkan pula hasil prediksi dengan menggunakan model RNN standar. Hasilnya, RNN dengan arsitektur LSTM dapat dengan baik memprediksi harga saham dibandingkan RNN standar yang direfleksikan oleh nilai Mean Absolute Error (MAE) antar kedua model.
Fulltext Email colleagues
Keywords: long short term memory; recurrent neural network; stock prices; time series; harga saham; runtun waktu

Article Metrics:

  1. E. Tandelilin, Portofolio dan Investasi. Yogyakarta: Kanisius. 2010
  2. T. Darmadji and H. M. Fakhruddin, Pasar Modal di Indonesia (Pendekatan Tanya Jawab). Jakarta: Salemba Empat. 2012
  3. A. Soemitra, Bank dan Lembaga Keuangan Syariah. Jakarta : Kencana. 2018
  4. H. Syamsir, Solusi Investasi di Bursa Saham Indonesia Pendekatan Analisis Teknikal melalui Studi Kasus Riil dengan Dilengkapi Formulasi MetaStock. Jakarta: PT. Elex Media Komputindo. 2006
  5. D. S. Kodrat and I. Kurniawan. Manajemen Investasi Pendekatan Teknikal dan Fundamental untuk Analisis Saham. Yogyakarta: Graha Ilmu. 2010
  6. Badan Pusat Statistik. Statistik Pasar Modal. Bagian Penggandaan : BPS. 2013
  7. A. Halim, Analisis Investasi dan Aplikasinya. Jakarta : Salemba Empat. 2015
  8. Y. Lecun., Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015
  9. S. Hochreiter, “Untersuchungen Zu Dynamischen Neuronalen Netzen [in German],” Diploma Thesis, T.U. Münich, 1991
  10. Y. Bengio, P. Simard, and P. Frasconi, “Learning Long-term Dependencies with Gradient Descent is Difficult,” IEEE Transactions on Neural Network, vol. 5, no. 2. pp. 157, 2014
  11. S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” Neural Comput., vol. 9, no. 8, pp. 1735–1780, 1997
  12. A. Graves, “Generating Sequences With Recurrent Neural Networks,” arXiv:1308.0850v5 [cs.NE], Juni. 2014
  13. U. Ugurlu, I. Oksuz, and O. Tas, Electricity Price Forecasting Using Recurrent Neural Networks, Energies, Vol. 11, Issue 5, 2018. [Online]. Available : www.mpdi.com [Accessed Dec. 12, 2019]
  14. Y. L. Zheng, L. P. Zhang, X. L. Zhang, K. Wang, and Y. J. Zheng, “Forecast model analysis for the morbidity of tuberculosis in Xinjiang, China,” PLoS One, vol. 10, no. 3, pp. 1–13, 2015
  15. Z. Cui, R. Ke, Z. Pu, Y. Wang, “Deep Bidirectional and Unidirectional LSTM Recurrent Neural Network for Network-wide Traffic Speed Prediction,” International Workshop on Urban Computing (UrbComp). 2017
  16. Z. C. Lipton, D. C. Kale, C. Elkan, R. Wetzel, “Learning to Diagnose with LSTM Recurrent Neural Networks”, International Conference on Learning Representations. 2016
  17. K. Greff, R. K. Srivastava, J. Koutnik, B. R. Steunebrink, and J. Schmidhuber, “LSTM: A Search Space Odyssey,” IEEE Trans. Neural Networks Learn. Syst., vol. 28, no. 10, pp. 2222–2232, 2017
  18. C. J. Willmott and K. Matsuura, “Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance”. Climate Research, vol. 30, pp. 79-82,

Last update:

No citation recorded.

Last update: 2022-01-19 20:08:55

No citation recorded.